概率在人工智能中的作用毋庸置疑，介绍两篇相关论文及PPT介绍。
paper: Symbolic Exact Inference for Discrete Probabilistic Programs
（摘要
概率推理的计算负担仍然是将概率编程语言应用于感兴趣的实际问题的障碍。在这项工作中,我们为离散值有限域命令式概率程序的有效精确推理提供了语义和算法基础。我们利用并概括了贝叶斯网络的有效推理过程, 它利用网络的结构来分解推理任务,从而避免了完整路径枚举。为此,我们首先将概率程序编译成符号表示。 然后,我们采用概率逻辑编程和人工智能社区的技术, 以便对符号表示进行推理。我们形式化我们的方法,证明它是合理的,并通过实验验证它对现有的精确和近似推理技术。我们证明了我们的推理方法与专门用于贝叶斯网络的推理过程具有可比性,从而扩展了可以实际分析的概率程序的类别。）
paper: Sound Abstraction and Decomposition of Probabilistic Programs
(摘要
概率编程语言是一种指定统计模型的灵活工具,但是这种灵活性是以牺牲有效分析为代价的。目前很难紧凑地表示一个概率程序微妙的独立性,也很难利用独立性来分解推理。经典的图形模型抽象确实捕获了底层分布的一些属性,使得推理算法能够在图形拓扑的级别上操作。 然而,我们发现基于图的抽象通常过于粗糙,无法捕捉程序的有趣特性。我们为概率程序提出了一种合理的抽象形式,其中抽象本身是简化的程序。我们为这些抽象提供了理论基础,以及生成它们的算法。实验上,我们也说明了我们的框架作为分解概率程序推理的工具的实际好处。)
PPT出自这里：http://starai.cs.ucla.edu/slides/
其中 LosAlamos21.pdf：
StarAI20.pdf
aachen20.pdf
veriprop21.pdf
