Skip to main content
QUICK REVIEW

[论文解读] Probabilistic call by push value

Thomas Ehrhard, Christine Tasson|HAL (Le Centre pour la Communication Scientifique Directe)|Jul 16, 2016
Logic, Reasoning, and Knowledge被引用 7
一句话总结

本文通过引入一个'抛硬币'原语,对调用-按-值(Call-By-Push-Value, CBPV)进行了概率扩展,使语言能够同时支持按名调用和按值调用的求值策略,并支持递归和惰性数据类型。该文基于概率相干空间的语义模型,建立了充分性与完全抽象性,证明了观察等价性与语义解释的相等性精确对应。

ABSTRACT

We introduce a probabilistic extension of Levy's Call-By-Push-Value. This extension consists simply in adding a " flipping coin " boolean closed atomic expression. This language can be understood as a major generalization of Scott's PCF encompassing both call-by-name and call-by-value and featuring recursive (possibly lazy) data types. We interpret the language in the previously introduced denotational model of probabilistic coherence spaces, a categorical model of full classical Linear Logic, interpreting data types as coalgebras for the resource comonad. We prove adequacy and full abstraction, generalizing earlier results to a much more realistic and powerful programming language.

研究动机与目标

  • 将概率特性扩展至调用-按-值语言,以实现对概率性和非确定性计算的现实建模。
  • 在单一统一的语言框架中同时支持按名调用和按值调用的求值策略。
  • 使用概率相干空间(一种全经典线性逻辑的范畴模型)为扩展后的语言构建语义模型。
  • 证明充分性与完全抽象性,确保项之间的观察等价性与它们语义解释的相等性完全一致。

提出的方法

  • 通过添加一个用于抛掷公平硬币的封闭原子表达式,引入调用-按-值的概率变体,从而支持概率选择。
  • 在概率相干空间的范畴中解释该语言,其中类型被建模为资源共模态的余代数。
  • 利用线性逻辑中正类型(与$ abla$-共模态的余代数一致)的结构,支持数据类型的按值调用求值。
  • 使用解释的幂级数表示来建模概率行为,并推导出对应可观测结果的系数。
  • 应用正类型固有的结构态射,允许在不显式通过$ abla$进行提升的情况下非线性地使用参数。
  • 通过反证法证明完全抽象性:仅当两个项的语义解释相等时,它们才具有观察等价性,该证明基于幂级数表示中系数差异的分析。

实验结果

研究问题

  • RQ1是否能够设计一种统一的函数式语言,同时支持按名调用与按值调用的求值策略,并支持概率选择?
  • RQ2如何构建一个概率扩展CBPV语言的语义模型,以保持充分性与完全抽象性等关键性质?
  • RQ3在线性逻辑中的正类型在半极化系统中,如何实现数据类型的按值调用求值?
  • RQ4在概率语言中,观察等价性是否能被语义模型中的相等性完全刻画?
  • RQ5正类型的结构态射如何在存在概率效应的情况下,实现参数的非线性使用,同时保持计算语义的完整性?

主要发现

  • 在调用-按-值语言中添加一个概率'抛硬币'原语,可实现一种支持按名调用与按值调用的通用、现实的编程语言。
  • 通过正线性逻辑连接词的封闭性与最小不动点的引入,该语言支持丰富的数据类型,包括递归类型与惰性类型。
  • 基于概率相干空间的语义模型为该语言提供了完全抽象的解释。
  • 充分性已得证:若某项以特定概率收敛至一个值,则其语义解释能准确反映该概率。
  • 完全抽象性已证明:两个项观察等价,当且仅当它们的语义解释相等。
  • 该证明依赖于观测行为差异(如收敛概率)可通过解释的幂级数表示中系数差异被检测到。

更好的研究,从现在开始

从阅读论文到最终审阅,大幅缩短您的研究时间。

无需绑定信用卡

本解读由 AI 生成,并经人工编辑审核。