منطق مارکوف ۲۰۲۲
Markov Logic 2022

در اغلب زیرشاخه‌های علوم کامپیوتر، یک لایه رابط وجود دارد که از طریق آن، برنامه‌های کاربردی با زیرساخت‌ها ارتباط برقرار می‌کنند، و این کلید موفقیت آنهاست (به عنوان مثال، اینترنت در شبکه‌سازی، مدل رابطه‌ای در پایگاه‌های داده و غیره). تا کنون، این لایه رابط در هوش مصنوعی غایب بوده است. منطق مرتبه اول و مدل‌های گرافیکی احتمالی هر کدام برخی از ویژگی‌های لازم را دارند، اما یک لایه رابط مناسب نیازمند ترکیب هر دوی آن‌ها است. منطق مارکوف یک زبان جدید و قدرتمند است که با تخصیص وزن به فرمول‌های مرتبه اول و در نظر گرفتن آن‌ها به عنوان الگوهایی برای ویژگی‌های میدان‌های تصادفی مارکوف، این مهم را به انجام می‌رساند. اکثر مدل‌های آماری پرکاربرد، موارد خاصی از منطق مارکوف هستند و منطق مرتبه اول، حد وزن بی‌نهایت آن است. الگوریتم‌های استنتاج برای منطق مارکوف، ایده‌هایی را از ارضای‌پذیری، زنجیره مارکوف مونت‌کارلو، انتشار باور و تجزیه و تحلیل ترکیب می‌کنند. الگوریتم‌های یادگیری از درست‌نمایی شرطی، بهینه‌سازی محدب و برنامه‌نویسی منطقی استقرایی استفاده می‌کنند. منطق مارکوف با موفقیت در مسائلی مانند استخراج و یکپارچه‌سازی اطلاعات، پردازش زبان طبیعی، نقشه‌برداری ربات، شبکه‌های اجتماعی، زیست‌شناسی محاسباتی و غیره به کار گرفته شده است و اساس سیستم متن‌باز Alchemy را تشکیل می‌دهد.

فهرست مطالب: مقدمه / منطق مارکوف / استنتاج / یادگیری / توسعه‌ها / کاربردها / نتیجه‌گیری

Most subfields of computer science have an interface layer via which applications communicate with the infrastructure, and this is key to their success (e.g., the Internet in networking, the relational model in databases, etc.). So far this interface layer has been missing in AI. First-order logic and probabilistic graphical models each have some of the necessary features, but a viable interface layer requires combining both. Markov logic is a powerful new language that accomplishes this by attaching weights to first-order formulas and treating them as templates for features of Markov random fields. Most statistical models in wide use are special cases of Markov logic, and first-order logic is its infinite-weight limit. Inference algorithms for Markov logic combine ideas from satisfiability, Markov chain Monte Carlo, belief propagation, and resolution. Learning algorithms make use of conditional likelihood, convex optimization, and inductive logic programming. Markov logic has been successfully applied to problems in information extraction and integration, natural language processing, robot mapping, social networks, computational biology, and others, and is the basis of the open-source Alchemy system. Table of Contents: Introduction / Markov Logic / Inference / Learning / Extensions / Applications / Conclusion