标签
加州大学伯克利分校的研究人员提出了一种混合系统，将认知算法的发现视为一个程序精化问题：LLM 智能体根据行为数据的不匹配来修正人类编写的概率程序，并在问题求解范式中持续提升模型拟合效果。
本文指出，大语言贝叶斯（LLB）——即利用指数化证据下界得到的权重，对语言模型生成的概率程序的后验进行加权平均的框架——并不具备重参数化不变性。等价的程序写法可能获得显著不同的权重（差异最高可达 31.9 倍，甚至可导致符号反转），进而颠倒贝叶斯因子，并在模型后验中引入误差；该误差由下界缺口的离散程度所控制，可通过一个紧致的 Hilbert 距离界加以刻画。
本文介绍了PPDL，一种用于编程基于LLM的流程的概率语言，使开发者能够在整个应用中量化和传播不确定性，并提供了关于定理证明的实验和案例研究。
Jacquard是一种专为AI编写、人工审核代码而设计的编程语言，内置效果跟踪、概率模拟和规范标识，帮助人类信任AI生成的程序。
NoiseLang 是一种概率编程语言，其中每个值都是一个分布。它使用 JIT 编译器编译为高效的蒙特卡洛模拟，并支持条件推断。
本文介绍了NeSyCat Torch，这是一种用于神经符号学习的范畴语义的可微张量实现，它将经典语义、模糊语义和概率语义统一在一个单子框架下，并在MNIST加法任务上展示了相比LTN和DeepProbLog等现有系统更优的速度和准确性。