이 게시물은 논문을 기반으로 AI가 생성한 요약 및 분석 결과입니다. 원문 PDF를 다운로드하거나 브라우저에서 직접 확인하세요.
Summary (English)
In this paper, Dix et al.
propose a concept of probabilistic agent programs that allow agents to reason with uncertainty in their environment.
They extend previous work on IMPACT agents by introducing probabilistic code calls as basic syntactic constructs through which uncertainty manifests itself in abstract data types.
The authors define the syntax of probabilistic agent programs, showing how they enable developers to specify permissions, obligations, forbidden actions, etc., associated with an agent depending not only on probabilities that certain conditions hold but also on developer’s assumptions about relationships between these conditions.
They develop three formal semantics for probabilistic agent programs extending each other as well as semantics for ordinary agent programs defined by Eiter et al.
Additionally, they provide sound and complete algorithms to compute the semantics of positive agent programs when only positive code calls are considered.
Finally, they extend all three semantics of agent programs defined earlier in Section 5 to handle intuitions about uncertain preconditions for actions.
propose a concept of probabilistic agent programs that allow agents to reason with uncertainty in their environment.
They extend previous work on IMPACT agents by introducing probabilistic code calls as basic syntactic constructs through which uncertainty manifests itself in abstract data types.
The authors define the syntax of probabilistic agent programs, showing how they enable developers to specify permissions, obligations, forbidden actions, etc., associated with an agent depending not only on probabilities that certain conditions hold but also on developer’s assumptions about relationships between these conditions.
They develop three formal semantics for probabilistic agent programs extending each other as well as semantics for ordinary agent programs defined by Eiter et al.
Additionally, they provide sound and complete algorithms to compute the semantics of positive agent programs when only positive code calls are considered.
Finally, they extend all three semantics of agent programs defined earlier in Section 5 to handle intuitions about uncertain preconditions for actions.
요약 (Korean)
이 논문에서 Dix et al.
에이전트가 자신의 환경에서 불확실성으로 추론 할 수있는 확률 론적 에이전트 프로그램의 개념을 제안합니다.
그들은 불확실성이 추상 데이터 유형으로 나타나는 기본 구문 구성으로 확률 론적 코드 호출을 도입하여 영향 에이전트에 대한 이전 작업을 확장합니다.
저자는 확률 론적 에이전트 프로그램의 구문을 정의하여 개발자가 특정 조건이 보유한 확률뿐만 아니라 이러한 조건 간의 관계에 대한 개발자의 가정에 따라 대리인과 관련된 권한, 의무, 금지 된 행동 등을 지정할 수있는 방법을 보여줍니다.
그들은 Eiter et al.에 의해 정의 된 일반 에이전트 프로그램의 시맨틱뿐만 아니라 서로를 확장하는 확률 론적 에이전트 프로그램에 대한 세 가지 공식적인 의미를 개발합니다.
또한 긍정적 인 코드 호출 만 고려 될 때 긍정적 인 에이전트 프로그램의 의미를 계산하기 위해 사운드 및 완전한 알고리즘을 제공합니다.
마지막으로, 이들은 섹션 5에서 앞서 정의 된 에이전트 프로그램의 세 가지 의미를 모두 연장하여 행동에 대한 불확실한 전제 조건에 대한 직관을 처리합니다.
에이전트가 자신의 환경에서 불확실성으로 추론 할 수있는 확률 론적 에이전트 프로그램의 개념을 제안합니다.
그들은 불확실성이 추상 데이터 유형으로 나타나는 기본 구문 구성으로 확률 론적 코드 호출을 도입하여 영향 에이전트에 대한 이전 작업을 확장합니다.
저자는 확률 론적 에이전트 프로그램의 구문을 정의하여 개발자가 특정 조건이 보유한 확률뿐만 아니라 이러한 조건 간의 관계에 대한 개발자의 가정에 따라 대리인과 관련된 권한, 의무, 금지 된 행동 등을 지정할 수있는 방법을 보여줍니다.
그들은 Eiter et al.에 의해 정의 된 일반 에이전트 프로그램의 시맨틱뿐만 아니라 서로를 확장하는 확률 론적 에이전트 프로그램에 대한 세 가지 공식적인 의미를 개발합니다.
또한 긍정적 인 코드 호출 만 고려 될 때 긍정적 인 에이전트 프로그램의 의미를 계산하기 위해 사운드 및 완전한 알고리즘을 제공합니다.
마지막으로, 이들은 섹션 5에서 앞서 정의 된 에이전트 프로그램의 세 가지 의미를 모두 연장하여 행동에 대한 불확실한 전제 조건에 대한 직관을 처리합니다.
기술적 용어 설명 (Technical Terms)
본 논문을 이해하는 데 도움이 되는 주요 기술 용어와 일반적인 설명을 제공합니다. 각 용어 옆의 링크를 통해 외부 참고 자료를 검색해 볼 수 있습니다.
- Type composition operator [Wikipedia] [NASA] [PubMed] [Nature] [arXiv]: 유형 τ1, . . , τn은 입력으로서, 유형 C (τ1, …, τn)를 출력으로 산출한다. C는 부분 함수이므로 C는 특정 인수 τ1에만 적용 될 수 있습니다. . . , τn, 즉 C는 임의 유형에 반드시 적용 할 수는 없습니다. (Original English: A partial n-ary function c that takes types τ1, . . . , τn as input, and yields a type c(τ1, . . . , τn) as output. As c is a partial function, c may only be applicable for certain arguments τ1, . . . , τn, i.e., c is not necessarily applicable on arbitrary types.)
- Probabilistic code call [Wikipedia] [NASA] [PubMed] [Nature] [arXiv]: 불확실성이 추상 데이터 유형에서 나타나는 기본 구문 구성. (Original English: Basic syntactic constructs through which uncertainty manifests itself in abstract data types.)
- Surveillance agent [Wikipedia] [NASA] [PubMed] [Nature] [arXiv]: 수백 개의 (동일한) 감시 에이전트와 지리적 에이전트가있는 감시 애플리케이션에 대한 표준 INT, BOOL, Real, FILE 데이터 유형을 관리하는 에이전트의 예. 감시와 관련된 데이터 유형에는 표준 INT, BOOL, Real, 파일 데이터 유형과 이미지와 같은 특정 항목이 포함됩니다. MAP의 레코드 : ↑ QuadTree; ImageId : 파일; 쿼드 트리 : 낮 기록 : 날짜; 장소 : 문자열; 시간 : int; xcoord : int; 위치 : 문자열; Imagedb : 이미지 설정; POP : Int NW, NE, SW, SE : ↑ Quadtree 세 번째 에이전트는이 두 에이전트의 정보를 병합하여 일련의 감시 이벤트를 추적 할 수 있습니다. 생존 에이전트는 이미지를 입력하고 식별 된 모든 차량의 세트를 반환하는 Surv : Ident ()라는 기능을 지원할 수 있습니다. Surv : Turret ()이라는 또 다른 함수는 차량 ID를 입력으로 가져 와서 Gun-Turret의 유형을 반환합니다. 마찬가지로, 지리적 에이전트는 표준 int, bool, real, 파일 데이터 유형과 매핑 목적으로 아래에 표시된 것들을 관리합니다. 장소 : 문자열; xcoord : int; 위치 : SE 좌표; 팝 : int nw, ne, sw, se : ↑ quadtree geo라는 함수 : getplnode ()는 맵을 입력하고 해당 필드를 가진 노드를 반환하는 장소의 이름을 입력합니다. Geo : getxynode ()라는 다른 함수는 맵을 입력하고 장소의 좌표를 입력하여 해당 좌표로 노드를 반환합니다. 맵을 입력하여 맵, x 좌표 쌍 및 거리 r이라는 다른 함수는 해당 반경 내에서 노드를 생성합니다. (Original English: An example of agents managing standard int,bool,real,file data types plus those shown below for the surveillance application where there are hundreds of (identical) surveillance agents and a geographic agent. The data types associated with the surveillance include standard int, bool, real, file data types along with specific ones like image:record of map:↑quadtree; imageid:file; quadtree:record of day:date; place:string; time:int; xcoord:int; location:string; imagedb: setof image; pop:int nw,ne,sw,se:↑quadtree A third agent may well merge information from these two agents, tracking a sequence of surveillance events. The surv agent may support a function called surv : identify() which takes as input an image and returns the set of all identified vehicles in it; another function called surv : turret() that takes vehicle id as input and returns type of gun-turret it has. Likewise, geographic agents manage standard int, bool, real, file data types plus those shown below for mapping purposes: quadtree:record of day:date; place:string; xcoord:int; location:se coordinates; pop:int nw,ne,sw,se:↑quadtree A function called geo : getplnode() takes as input a map and the name of a place returning nodes with that field; another function called geo : getxynode() which takes as input a map and coordinates of a place returns nodes with those coordinates; another function called geo : range() which takes as input a map, x coordinate pair, and distance r yields nodes within that radius.)
Excerpt (English Original)
Probabilistic Agent Programs∗ J¨urgen Dix† University of Koblenz, Dept.
of Computer Science D-56075 Koblenz, Germany1999 Mirco Nanni University of Pisa, Dept.
of Computer ScienceOct I-56125 Pisa, Italy 21 V.S.
Subrahmanian‡ Dept.
of CS, University of Maryland College Park, MD 20752, USA 22nd June 2021[cs.AI] Abstract Agents are small programs that autonomously take actions based on changes in their environment or “state.” Over the last few years, there have been an increasing number of efforts to build agents that can interact and/or collaborate with other agents.
In one of these efforts, Eiter, Sub- rahmanian, and Pick (1999) have shown how agents may be built on top of legacy code.
However, their framework assumes that agent states are com- pletely determined, and there is no uncertainty in an agent’s state.
Thus, their framework allows an agent developer to specify how his agents will react when the agent is 100% sure about what is true/false in the world state.
In this paper, we propose the concept of a probabilistic agent pro- gram and show how, given an arbitrary program written in any imperative language, we may build a declarative “probabilistic” agent program on toparXiv:cs/9910016v1 of it which supports decision making in the presence of uncertainty.
We provide two alternative semantics for probabilistic agent programs.
We show that the second semantics, though more epistemically appealing, is more complex to compute.
We provide sound and complete algorithms to compute the semantics of positive agent programs.
∗Most proofs are contained in the appendix.
†This work was carried out when the author was visiting the University of Maryland from January-October 1999.
‡This work was supported by the Army Research Office under Grants DAAH-04-95-10174, DAAH-04-96-10297, DAAG-55-97-10047 and DAAH04-96-1-0398, by the Army Research Lab- oratory under contract number DAAL01-97-K0135 and by an NSF Young Investigator award IRI-93-57756.
1 1…
of Computer Science D-56075 Koblenz, Germany1999 Mirco Nanni University of Pisa, Dept.
of Computer ScienceOct I-56125 Pisa, Italy 21 V.S.
Subrahmanian‡ Dept.
of CS, University of Maryland College Park, MD 20752, USA 22nd June 2021[cs.AI] Abstract Agents are small programs that autonomously take actions based on changes in their environment or “state.” Over the last few years, there have been an increasing number of efforts to build agents that can interact and/or collaborate with other agents.
In one of these efforts, Eiter, Sub- rahmanian, and Pick (1999) have shown how agents may be built on top of legacy code.
However, their framework assumes that agent states are com- pletely determined, and there is no uncertainty in an agent’s state.
Thus, their framework allows an agent developer to specify how his agents will react when the agent is 100% sure about what is true/false in the world state.
In this paper, we propose the concept of a probabilistic agent pro- gram and show how, given an arbitrary program written in any imperative language, we may build a declarative “probabilistic” agent program on toparXiv:cs/9910016v1 of it which supports decision making in the presence of uncertainty.
We provide two alternative semantics for probabilistic agent programs.
We show that the second semantics, though more epistemically appealing, is more complex to compute.
We provide sound and complete algorithms to compute the semantics of positive agent programs.
∗Most proofs are contained in the appendix.
†This work was carried out when the author was visiting the University of Maryland from January-October 1999.
‡This work was supported by the Army Research Office under Grants DAAH-04-95-10174, DAAH-04-96-10297, DAAG-55-97-10047 and DAAH04-96-1-0398, by the Army Research Lab- oratory under contract number DAAL01-97-K0135 and by an NSF Young Investigator award IRI-93-57756.
1 1…
발췌문 (Korean Translation – 1차 번역)
확률 론적 대리인 프로그램 * J¨urgen Dix † Koblenz 대학교, 컴퓨터 과학 부서 D-56075 Koblenz, Germany1999 Mirco Nanni University of Pisa, Computer Science of Computer Science I-56125 PISA, 이탈리아 21 V.S.
Subrahmanian ‡ 미국 메릴랜드 대학교 공원, CS, MD 20752, 미국 2021 년 6 월 22 일 [Cs.AI] 초록 요원은 환경의 변화 또는“상태”에 따라 자율적으로 조치를 취하는 소규모 프로그램입니다.
지난 몇 년 동안, 다른 에이전트와 상호 작용하고/또는 협력 할 수있는 에이전트를 구축하기위한 수의 수가 증가하고 있습니다.
이들 orts 중 하나에서 Eiter, Sub-Rahmanian 및 Pick (1999)은 레거시 코드 위에 에이전트가 어떻게 구축 될 수 있는지 보여주었습니다.
그러나 그들의 프레임 워크는 에이전트 상태가 완전하게 결정되었으며 에이전트의 상태에는 불확실성이 없다고 가정합니다.
따라서 그들의 프레임 워크를 통해 에이전트 개발자는 에이전트가 세계 주에서 참/거짓에 대해 100% 확신 할 때 에이전트가 어떻게 반응하는지 지정할 수 있습니다.
이 논문에서, 우리는 확률 론적 에이전트 프로젝트의 개념을 제안하고, 어떤 명령 언어로 작성된 임의의 프로그램을 고려할 때, 우리는 불확실성의 존재에서 의사 결정을 지원하는 Toparxiv : CS/9910016V1에 대해 선언적 “확률 론적”에이전트 프로그램을 구축 할 수 있는지 보여줍니다.
우리는 확률 론적 대리인 프로그램에 대한 두 가지 대안 적 의미를 제공합니다.
우리는 두 번째 의미론이 더 인식적으로 매력적이지만 계산하기에 더 복잡하다는 것을 보여줍니다.
우리는 긍정적 인 에이전트 프로그램의 의미를 계산하기 위해 사운드 및 완전한 알고리즘을 제공합니다.
* 대부분의 증명은 부록에 포함되어 있습니다.
†이 작업은 저자가 1999 년 1 월 -10 월부터 메릴랜드 대학교를 방문했을 때 수행되었습니다.
‡이 작품은 DAAH-04-95-10174, DAAH-04-96-10297, DAAG-55-97-10047 및 DAAH-55-97-10047 및 DAAH04-96-1-0398, ARMY RISEARTION의 DAAH-55-97-10047 및 DAAH-55-97-10047 및 DAAH-55-97-10047 및 DAAH-55-97-10047 및 DAAH-55-97-10047 및 DAAH-55-96-10297에 의해 지원되었습니다.
DAAL01-97-K0135 및 NSF Young Investigator Award IRI-93-57756.
1 1 …
Subrahmanian ‡ 미국 메릴랜드 대학교 공원, CS, MD 20752, 미국 2021 년 6 월 22 일 [Cs.AI] 초록 요원은 환경의 변화 또는“상태”에 따라 자율적으로 조치를 취하는 소규모 프로그램입니다.
지난 몇 년 동안, 다른 에이전트와 상호 작용하고/또는 협력 할 수있는 에이전트를 구축하기위한 수의 수가 증가하고 있습니다.
이들 orts 중 하나에서 Eiter, Sub-Rahmanian 및 Pick (1999)은 레거시 코드 위에 에이전트가 어떻게 구축 될 수 있는지 보여주었습니다.
그러나 그들의 프레임 워크는 에이전트 상태가 완전하게 결정되었으며 에이전트의 상태에는 불확실성이 없다고 가정합니다.
따라서 그들의 프레임 워크를 통해 에이전트 개발자는 에이전트가 세계 주에서 참/거짓에 대해 100% 확신 할 때 에이전트가 어떻게 반응하는지 지정할 수 있습니다.
이 논문에서, 우리는 확률 론적 에이전트 프로젝트의 개념을 제안하고, 어떤 명령 언어로 작성된 임의의 프로그램을 고려할 때, 우리는 불확실성의 존재에서 의사 결정을 지원하는 Toparxiv : CS/9910016V1에 대해 선언적 “확률 론적”에이전트 프로그램을 구축 할 수 있는지 보여줍니다.
우리는 확률 론적 대리인 프로그램에 대한 두 가지 대안 적 의미를 제공합니다.
우리는 두 번째 의미론이 더 인식적으로 매력적이지만 계산하기에 더 복잡하다는 것을 보여줍니다.
우리는 긍정적 인 에이전트 프로그램의 의미를 계산하기 위해 사운드 및 완전한 알고리즘을 제공합니다.
* 대부분의 증명은 부록에 포함되어 있습니다.
†이 작업은 저자가 1999 년 1 월 -10 월부터 메릴랜드 대학교를 방문했을 때 수행되었습니다.
‡이 작품은 DAAH-04-95-10174, DAAH-04-96-10297, DAAG-55-97-10047 및 DAAH-55-97-10047 및 DAAH04-96-1-0398, ARMY RISEARTION의 DAAH-55-97-10047 및 DAAH-55-97-10047 및 DAAH-55-97-10047 및 DAAH-55-97-10047 및 DAAH-55-97-10047 및 DAAH-55-96-10297에 의해 지원되었습니다.
DAAL01-97-K0135 및 NSF Young Investigator Award IRI-93-57756.
1 1 …
출처: arXiv