MARC

 008260126s2024        us                              c    eng  d
■001000017361299
■00520260202105829
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263307264
■035    ▼a(MiAaPQ)AAI32409795
■035    ▼a(MiAaPQ)124259
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aHuang,  Zixin.
■24510▼aEnhancing  Trustworthiness  in  Probabilistic  Programming:  Systematic  Approaches  for  Robust  and  Accurate  Inference
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a167  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Misailovic,  Sasa.
■5021  ▼aThesis  (Ph.D.)--University  of  Illinois  at  Urbana-Champaign,  2024.
■520    ▼aProbabilistic  programming  simplifies  the  encoding  of  statistical  models  as  straightforward  programs.  At  its  core,  it  employs  an  inference  algorithm  which  automate  the  model  inference,  allowing  developers  to  focus  on  model  creation.  Its  simplicity  has  led  to  its  growing  application  in  critical  areas  such  as  autonomous  driving,  privacy  modeling,  computer  networks,  and  pandemic  prediction.  However,  the  flexibility  of  probabilistic  modeling  and  the  scalability  to  large  datasets  come  at  a  price  of  trustworthiness:  the  approximate  inference  algorithms  used  by  many  existing  probabilistic  programming  systems  may  produce  inaccurate  results;  also  the  collected  data  often  contain  noise,  which  can  violate  the  model's  assumption  and  cause  large  deviations  in  the  results.  Trustworthiness,  therefore,  has  two  key  properties:  accuracy,  to  ensure  results  close  to  the  true  underlying  distribution,  and  robustness,  to  ensure  reliable  results  amidst  data  noise.This  dissertation  introduces  a  systematic  approach,  composed  of  multiple  probabilistic  programming  systems  throughout  the  probabilistic  programming  computation  stack,  to  analyze  and  enhance  the  trustworthiness  of  probabilistic  programs.  We  present  the  results  of  two-pronged  investigation:  first,  we  identify  several  trustworthiness  challenges  of  the  current  practice  of  probabilistic  programming  algorithms.  The  examination  is  supported  by  the  presentation  of  ASTRA,  an  experimental  testbed  for  evaluating  the  robustness  of  probabilistic  programs  against  data  noise,  and  SixthSense,  a  system  aiding  developers  in  debugging  convergence  issues  in  sampling-based  approximate  inference  algorithms.The  second  part  of  the  dissertation  introduces  AQUA,  a  novel  quantized  inference  algorithm  which  can  achieve  better  accuracy  than  existing  approximate  inference  algorithms  and  scales  better  than  exact  inference.  Then,  the  dissertation  advances  the  domain  of  probabilistic  reasoning  by  moving  beyond  the  conventional  focus  on  computing  a  single  posterior  distribution.  It  presents  AURA,  an  abstract  interpretation  which  provides  precise,  soundly  guaranteed  bounds  on  posterior  distributions  when  they  are  subjected  an  infinite  set  of  data  perturbations.
■590    ▼aSchool  code:  0090.
■650  4▼aComputer  science
■653    ▼aProbabilistic  programming
■653    ▼aQuantized  inference
■653    ▼aRobustness
■653    ▼aAbstract  interpretation
■653    ▼aProgram  analysis
■653    ▼aMachine  learning
■690    ▼a0984
■690    ▼a0800
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0090
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361299▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서