反応的な知識表現と非同期な Reasoning

複雑な確率モデルの正確な推論はしばしば prohibitive計算コストを発生させる。この挑戦は特に、継続的に状況に合わせた信念シグナルを頻繁に関連性のある瞬間でアップデートする自律的なアгентにおいて鮮やかな実際環境に直結していることによって極めて深刻である。現在の手法があまり効果的ではないため、任意の変化に対して全てのモデルを再評価することから始めていたため、新しい情報について全く利用しない。我々はこの問題から反応的な、非同期な確率 Reasoningの視点で解釈することが目的です。最初に、「リスン」と呼ばれる確率プログラミング言語を導入し、確率論と反応 Programmationを合併します。さらに、リスンの効果的な正解性を提供する Reactive Circuits (RCs) を提案することができます。アルゴリズム的な構造が Algebraic Circuits と非同期な情報 ストリームに置き換れることを特徴とする RCs も時間的動態 Directed Acyclic Graphs を形成し、その変化の激しい入力シグナルに基づいて自社を自動的に調整します。高精細なドローン群のシミュレーションで我々の解決策は通常の推論と比較して数個単位のスケールでの大幅な加速を達成しています。RCsの構造的な変更は環境ダイナミクスを成功し、显著に遅れを取り崩しながら反応的なリアルタイム Reasoningを適応させます。進化される情報に基づいて非同期の入力において計算に関する頻度の見積もりを利用することで、大型推理タスクが単一のメモリーズ子の分割と個々のサブ解決問題に分解することができますように、特定の影響を受けたモデルの一部のみを再評価することにより冗長な計算を大幅に減らします。ストリーミング コンテキストで実際です。

arXiv:2602.05625v2 Announce Type: replace Abstract: Exact inference in complex probabilistic models often incurs prohibitive computational costs. This challenge is particularly acute for autonomous agents in dynamic environments that require frequent, real-time belief updates. Existing methods are often inefficient for ongoing reasoning, as they re-evaluate the entire model upon any change, failing to exploit that real-world information streams have heterogeneous update rates. To address this, we approach the problem from a reactive, asynchronous, probabilistic reasoning perspective. We first introduce Resin (Reactive Signal Inference), a probabilistic programming language that merges probabilistic logic with reactive programming. Furthermore, to provide efficient and exact semantics for Resin, we propose Reactive Circuits (RCs). Formulated as a meta-structure over Algebraic Circuits and asynchronous data streams, RCs are time-dynamic Directed Acyclic Graphs that autonomously adapt themselves based on the volatility of input signals. In high-fidelity drone swarm simulations, our approach achieves several orders of magnitude of speedup over frequency-agnostic inference. We demonstrate that RCs' structural adaptations successfully capture environmental dynamics, significantly reducing latency and facilitating reactive real-time reasoning. By partitioning computations based on the estimated Frequency of Change in the asynchronous inputs, large inference tasks can be decomposed into individually memoized sub-problems. This ensures that only the specific components of a model affected by new information are re-evaluated, drastically reducing redundant computation in streaming contexts.