💻 computer science

Probabilistic Linear Logic Programming with an Application to Bayesian Network Computations (Extended Version)

Dit artikel introduceert probLO, een extensie van Lineair Logisch Programmeren die Bayesiaanse netwerkreprezentatie en -berekening integreert door gebruik te maken van multi-head Prolog-achtige methoden voor structuurherconstructie en lineair logisch snijden voor interne numerieke waarschijnlijkheidsberekeningen.

Oorspronkelijke auteurs: Matteo Acclavio, Roberto Maieli

Gepubliceerd 2026-02-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Matteo Acclavio, Roberto Maieli

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme, ingewikkelde puzzel probeert op te lossen. De puzzelstukken zijn niet alleen vormen, maar ze hebben ook een kans dat ze op de juiste plek passen. Dit is wat een Bayesiaans Netwerk doet: het helpt ons om onzekerheid en afhankelijkheden tussen verschillende dingen (zoals "Is het bewolkt?" en "Is het gras nat?") in kaart te brengen.

Het probleem is dat traditionele programmeertalen (zoals Prolog) vaak werken als een strakke boomstructuur: één vraag leidt tot één antwoord, dat leidt tot één volgend antwoord. Maar in de echte wereld (en in Bayesiaanse netwerken) kan één ding (bijvoorbeeld "Regen") worden veroorzaakt door meerdere dingen tegelijk (bijvoorbeeld "Bewolkt" én "Sprinklers aan"), en kan het zelf weer meerdere dingen beïnvloeden. Traditionele talen vinden dit lastig, omdat ze niet goed kunnen omgaan met die "veelzijdige" connecties zonder in de war te raken of dubbel werk te doen.

In dit paper presenteren de auteurs probLO, een nieuwe manier om met deze puzzels om te gaan. Hier is een uitleg in alledaagse taal, met een paar creatieve analogieën:

1. De oude manier: De "Oneindige Magazijnbeheerder"

Stel je een oude logistieke manager voor (de traditionele logica). Als hij een vrachtwagen nodig heeft, zegt hij: "Neem er één!" En als hij er nog één nodig heeft, zegt hij: "Neem er nog één!" Hij denkt dat er een onbeperkt voorraadje is.

Het probleem: In de echte wereld (en bij kansen) is dat niet zo. Als je een kans berekent voor "Regen", mag je die berekening maar één keer doen. Als je het twee keer doet, krijg je een verkeerd antwoord. Traditionele talen vergeten dit vaak en "verbruiken" hun bronnen niet bewust.

2. De nieuwe manier: De "Strikte Magazijnbeheerder" (Lineaire Logica)

De auteurs gebruiken een systeem dat ze probLO noemen. Denk hierbij aan een zeer strikte magazijnbeheerder die werkt met Lineaire Logica.

De regel: "Als je een vrachtwagen gebruikt, is hij op. Je kunt hem niet kopiëren en je kunt hem niet weggooien."
De analogie: Stel je voor dat elke variabele (zoals "Regen") een fysieke sleutel is. Als je de sleutel gebruikt om een deur te openen (een berekening doen), is de sleutel weg. Je moet hem precies één keer gebruiken. Dit zorgt ervoor dat je nooit per ongeluk twee keer dezelfde kans berekent, wat de resultaten veel nauwkeuriger maakt.

3. Het magische trucje: De "Meer-koppige Octopus" (Multi-head Methoden)

Dit is het grootste nieuwe idee in het paper.

Het probleem: In een Bayesiaans netwerk kan één gebeurtenis (bijv. "Gras is nat") worden veroorzaakt door twee dingen tegelijk (Regen én Sprinklers). Traditionele regels zeggen: "Regel A leidt tot Resultaat B". Maar wat als Resultaat B twee ingangen heeft?
De oplossing: probLO gebruikt multi-head methods. Stel je voor in plaats van een gewone robotarm die één ding pakt, heb je een octopus.
- De octopus heeft meerdere tentakels (de "koppen").
- Als de octopus een opdracht krijgt, kan hij tegelijkertijd meerdere dingen vastpakken of meerdere uitkomsten produceren.
- In het paper noemen ze dit "multi-head". Het stelt het systeem in staat om complexe netwerken (die geen simpele bomen zijn, maar netten) direct na te bootsen zonder ingewikkelde omwegen.

4. Hoe het werkt: De "Reis door het Netwerk"

Stel je voor dat je een Bayesiaans netwerk wilt berekenen (bijvoorbeeld: "Wat is de kans dat het gras nat is, gegeven dat het regent?").

De Start: Je begint met een vraag (een doel) in het systeem.
De Reis: Het systeem begint te "reizen" door het netwerk, van de onderste stukjes (de bladeren) naar de bovenkant (de wortels).
De Berekening: Elke stap in de reis is een kleine berekening.
- Als je een stap zet, vermenigvuldig je de huidige kans met de kans van die specifieke stap (bijv. 50% kans op regen).
- Omdat het systeem "lineair" is, weet het precies welke stappen al zijn gedaan en welke nog niet.
Het Einde: Als je bij het doel bent, heb je een eindgetal. Dit getal is de exacte kans die je zocht.

5. Waarom is dit cool?

Geen externe rekenmachine nodig: Veel systemen gebruiken logica om de structuur te bouwen, en dan sturen ze de getallen naar een aparte rekenmachine. probLO doet alles binnenin de logica zelf. De "rekenmachine" is ingebouwd in de regels van het spel.
Natuurlijk en Strak: Het systeem gebruikt de regels van de logica (zoals het niet kunnen kopiëren van bronnen) om de wiskundige regels van kansen automatisch te volgen. Het is alsof de wiskunde "in de DNA" van de programmeertaal zit.
Snelheid: Omdat het systeem slim omgaat met de structuur (het weet wanneer het kan splitsen en wanneer het moet samenvoegen), is het net zo snel als de beste traditionele methoden, maar dan met de kracht van logica.

Samenvattend

Stel je voor dat je een ingewikkeld bordspel speelt met kansen. De oude regels waren verwarrend en leidden soms tot dubbel werk. probLO is een nieuwe set spelregels die zegt:

Gebruik elk speelstuk maar één keer (Lineaire Logica).
Laat je speelstukken meerdere dingen tegelijk doen (Multi-head).
Houd de kansen bij terwijl je beweegt, zonder de tafel te verlaten.

Hierdoor kunnen computers Bayesiaanse netwerken (zoals die gebruikt worden in medische diagnose, weervoorspelling of zelfrijdende auto's) veel natuurlijker en efficiënter "denken" en berekenen.

Probleemstelling

Bayesiaanse netwerken zijn een standaardformalisme voor het weergeven van probabilistische afhankelijkheden. Het integreren van deze netwerken in logica-programmeerframeworks (zoals Prolog) blijft echter een aanzienlijke uitdaging. De belangrijkste obstakels zijn:

Complexiteit van de structuur: Bayesiaanse netwerken zijn gerichte acyclische grafen (DAG's) waarbij variabelen meerdere ouders en kinderen kunnen hebben. Bestaande probabilistische logica-programmeertalen (zoals ProbLog, PRISM, LPADs) zijn vaak gebaseerd op klassieke logica of Horn-clausules. Deze gebruiken methoden met één hoofd (single-head), wat een boomachtige structuur van afhankelijkheden suggereert en moeilijkheden oplevert bij het modelleren van complexe, niet-boomachtige afhankelijkheden zonder redundantie.
Lineair gebruik van variabelen: In Bayesiaanse netwerken moet elke variabele in een berekening precies één keer worden verwerkt (gebaseerd op de conditionele onafhankelijkheid). Klassieke logica staat echter willekeurig hergebruik van feiten toe, wat niet overeenkomt met de "resource-sensitive" aard van probabilistische berekeningen.
Afhankelijkheid van externe semantiek: Veel bestaande benaderingen vereisen een externe semantische interpretatie om probabilistische berekeningen uit te voeren, in plaats van deze direct binnen het logica-programmeerframework te laten plaatsvinden.

Methodologie

De auteurs introduceren probLO (probabilistic Linear Objects), een extensie van het LO-taal (Linear Objects) van Andreoli en Pareschi. LO is gebaseerd op Multiplicatieve Additieve Lineaire Logica (MALLmix). De kern van de methodologie bestaat uit de volgende elementen:

Multi-head Methoden: In tegenstelling tot traditionele Prolog-regels, gebruikt probLO methoden met meerdere koppen (multi-head). Een methode wordt gezien als een bipool (bipole) formule in lineaire logica:
$(h_1^\perp \otimes \dots \otimes h_n^\perp) \otimes (b_1 \multimap \dots \multimap b_m)$
Hierbij vertegenwoordigt de "body" ( $b$ ) de precondities (ouders in het netwerk) en de "multi-head" ( $h$ ) de postcondities (de variabele zelf en zijn kinderen). Dit maakt het mogelijk om de complexe afhankelijkheidsstructuur van een Bayesiaans netwerk direct te coderen zonder de boomstructuur te forceren.
Resource Sensitivity: Lineaire logica behandelt proposities als bronnen die bij gebruik worden verbruikt. Dit sluit perfect aan bij de intuïtie dat de conditionele waarschijnlijkheid van een knoop in een Bayesiaans netwerk slechts één keer per berekening moet worden opgelost.
Probabilistische Annotatie: Elke methode wordt geannoteerd met een waarschijnlijkheidswaarde $p \in [0, 1]$ $p \in [0, 1]$ . De operationele semantiek van probLO past de bewijszoekprocedure (proof search) aan:
- Bij het toepassen van een methode wordt de waarschijnlijkheid van de conclusie berekend door de waarschijnlijkheid van de premissen te vermenigvuldigen met de waarschijnlijkheid van de methode zelf.
- Bij onzekerheid (bijvoorbeeld een som over mogelijke waarden) wordt de additieve conjunctie ( $\&$ ) gebruikt. De regel bra splitst de uitvoering in takken en somt de kansen op, wat overeenkomt met het berekenen van marginale kansen.
Synthetische Inferentieregels: De auteurs gebruiken het concept van "focussed proofs" en synthetische regels om de uitvoering van het programma te modelleren als het zoeken naar een bewijs in MALLmix.

Belangrijkste Bijdragen

Characterisatie van Acyclische Grafen: De auteurs tonen aan (Stelling 2) dat het binnen het pure multiplicatieve fragment van LO mogelijk is om te karakteriseren of een gerichte graaf acyclisch is. Ze coderen een graaf als een verzameling bipolen en bewijzen dat een bewijs bestaat dan en slechts dan als de graaf geen cycli bevat. Dit wordt gedaan in lineaire tijd.
Introductie van probLO: Ze definiëren de syntaxis en semantiek van probLO, inclusief typen voor Boolese variabelen (ttX, ffX) en de constructie van probabilistische tabellen (probLO-tables) die corresponderen met conditionele waarschijnlijkheidstabellen (CPT's) in Bayesiaanse netwerken.
Directe Berekening van Kansen: Ze bewijzen (Stelling 3) dat probLO zowel gezamenlijke kansen (joint probabilities) als marginale kansen correct kan berekenen door middel van bewijszoekprocessen, zonder externe semantische interpretatie.
- Een gezamenlijke kans komt overeen met een lineair pad in de bewijsboom (product van kansen).
- Een marginale kans komt overeen met het optellen van kansen over verschillende takken van de bewijsboom (gebruikmakend van de bra regel).
Determinisme in Keuzes: Hoewel Bayesiaanse netwerken probabilistisch zijn, is de keuze van welke specifieke methode binnen een tabel wordt toegepast volledig deterministisch, gedreven door de huidige staat van het doel (goal). De probabilistische aard zit in het succes van de toepassing en de sommatie over mogelijke paden, niet in een willekeurige keuze van regels.

Resultaten

Correctheid: De operationele semantiek van probLO reproduceert exact de wiskundige berekeningen van Bayesiaanse netwerken (Factorisatiestelling).
Efficiëntie: De complexiteit van het berekenen van kansen in probLO is vergelijkbaar met de standaardmethoden op Bayesiaanse netwerken: $O(n)$ voor gezamenlijke kansen en $O(n 2^k)$ voor marginale kansen (waarbij $n$ het aantal variabelen is en $k$ het aantal gemarginaliseerde variabelen).
Voorbeelden: De auteurs demonstreren de werking aan de hand van het bekende "Wet Grass" Bayesiaans netwerk (Cloudy, Sprinklers, Rain, WetGrass, TrafficJam) en een ander voorbeeld met variabelen A, B, C en D. Ze tonen de volledige bewijsafleidingen (derivations) waarbij de kansen stap voor stap worden vermenigvuldigd en opgeteld.

Betekenis en Toekomstperspectief

Dit werk is significant omdat het een brug slaat tussen Lineaire Logica en Probabilistische Redenering. Het toont aan dat resource-sensitiviteit een natuurlijke manier biedt om de beperkingen van Bayesiaanse netwerken (zoals het één keer verwerken van variabelen) te modelleren.

Theoretische Impact: Het biedt een nieuwe, modulaire, regelgebaseerde perspectief op Bayesiaanse inferentie, in tegenstelling tot bestaande grafische benaderingen zoals "Bayesian Proof Nets".
Praktische Toepassing: Het stelt een framework op waarin probabilistische berekeningen puur logisch kunnen worden uitgevoerd, wat potentieel leidt tot nieuwe optimalisatietechnieken binnen de logica zelf.
Toekomstig Onderzoek: De auteurs plannen om geavanceerde inferentie-algoritmen, zoals clique trees (junction trees), variable elimination en belief propagation, te modelleren binnen probLO. Het doel is om te onderzoeken of deze optimalisaties kunnen worden vastgelegd in de operationele semantiek van het systeem of als collecties van probLO-methoden.

Kortom, probLO biedt een krachtig, formeel raamwerk dat Bayesiaanse netwerken integreert in logica-programmering, waarbij de unieke eigenschappen van lineaire logica worden benut om probabilistische afhankelijkheden correct en efficiënt te modelleren.