論文の概要: On Constraint Definability in Tractable Probabilistic Models

• arxiv url: http://arxiv.org/abs/2001.11349v1
• Date: Wed, 29 Jan 2020 16:05:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 20:35:57.533081
• Title: On Constraint Definability in Tractable Probabilistic Models
• Title（参考訳）: 可搬確率モデルにおける制約定義可能性について
• Authors: Ioannis Papantonis, Vaishak Belle
• Abstract要約: 様々な問題では、制約に関する推論と統合するために予測が必要である。 本稿では, 制約を取り入れつつ, 総生成物ネットワークなどのトラクタブル確率モデルの学習がいかに可能かを数学的に考察する。
• 参考スコア（独自算出の注目度）: 12.47276164048813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incorporating constraints is a major concern in probabilistic machine learning. A wide variety of problems require predictions to be integrated with reasoning about constraints, from modelling routes on maps to approving loan predictions. In the former, we may require the prediction model to respect the presence of physical paths between the nodes on the map, and in the latter, we may require that the prediction model respect fairness constraints that ensure that outcomes are not subject to bias. Broadly speaking, constraints may be probabilistic, logical or causal, but the overarching challenge is to determine if and how a model can be learnt that handles all the declared constraints. To the best of our knowledge, this is largely an open problem. In this paper, we consider a mathematical inquiry on how the learning of tractable probabilistic models, such as sum-product networks, is possible while incorporating constraints.
• Abstract（参考訳）: 制約の導入は、確率的機械学習の大きな関心事である。 さまざまな問題は、地図上のモデリングルートからローンの予測承認まで、制約に関する推論と統合する必要がある。 前者では、地図上のノード間の物理的経路の存在を尊重するために予測モデルを要求する可能性があり、後者では、予測モデルは、結果がバイアスに従わないことを保証する公平性制約を尊重する必要があるかもしれない。 広く言えば、制約は確率的、論理的、因果的かもしれませんが、大まかな課題は、宣言されたすべての制約を処理するモデルが学べるかどうかと方法を決定することです。 私たちの知る限りでは、これはほとんどオープンな問題です。 本稿では, 制約を取り入れつつ, 総生産ネットワークなどのトラクタブル確率モデルの学習がいかに可能かを数学的に考察する。

関連論文リスト

• On the nonconvexity of some push-forward constraints and its consequences in machine learning [0.0]
  プッシュフォワード操作により、地図を介して凸確率測度を再分配することができる。 統計学において重要な役割を果たす: 最適な輸送の影響からプッシュフォワードへの多くの問題。 本研究の目的は,予測やアルゴリズム学習の問題を研究者がよりよく理解することである。
  論文  参考訳（メタデータ） (2024-03-12T10:06:48Z)
• Model Complexity of Program Phases [0.5439020425818999]
  リソース制限コンピューティングシステムでは、シーケンス予測モデルは厳密な制約の下で動作しなければならない。 これらの条件下で予測できる様々なモデルが利用可能であり、ある意味では実装コストの削減に重点を置いている。 これらのリソース制約されたシーケンス予測モデルは、実際には、実装のコストと予測の品質の根本的なトレードオフを示す。
  論文  参考訳（メタデータ） (2023-10-05T19:50:15Z)
• On Regularization and Inference with Label Constraints [62.60903248392479]
  機械学習パイプラインにおけるラベル制約を符号化するための2つの戦略、制約付き正規化、制約付き推論を比較した。 正規化については、制約に不整合なモデルを前置することで一般化ギャップを狭めることを示す。 制約付き推論では、モデルの違反を訂正することで人口リスクを低減し、それによってその違反を有利にすることを示す。
  論文  参考訳（メタデータ） (2023-07-08T03:39:22Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Chance-Constrained Active Inference [21.592135424253826]
  アクティブ推論(ActInf)は、生物学的エージェントの知覚と行動を説明する新しい理論です。 我々は,制約違反の確率(典型的には小さい)を許容する,チャンス制約による代替手法を提案する。 我々は、確率制約されたアクチンの重み付けが、生成モデルに(優先)制約を課し、ロバスト制御と経験的機会制約違反のトレードオフを可能にする方法を示す。
  論文  参考訳（メタデータ） (2021-02-17T14:36:40Z)
• Sufficiently Accurate Model Learning for Planning [119.80502738709937]
  本稿では,制約付きSufficiently Accurateモデル学習手法を提案する。 これはそのような問題の例を示し、いくつかの近似解がいかに近いかという定理を提示する。 近似解の質は、関数のパラメータ化、損失と制約関数の滑らかさ、モデル学習におけるサンプルの数に依存する。
  論文  参考訳（メタデータ） (2021-02-11T16:27:31Z)
• RegFlow: Probabilistic Flow-based Regression for Future Prediction [21.56753543722155]
  我々は,モーダリティや基礎となる確率分布に関する制約がほとんどなく,将来の予測をモデル化できる,頑健で柔軟な確率確率フレームワークを導入する。 RegFlowと呼ばれる結果の方法は、いくつかのベンチマークデータセットで最先端の結果を達成し、競合するアプローチよりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2020-11-30T08:45:37Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Estimation with Uncertainty via Conditional Generative Adversarial Networks [3.829070379776576]
  条件付き生成逆数ネットワーク(cGAN)におけるジェネレータの使い方が異なる予測確率型ニューラルネットワークモデルを提案する。 通常のcGANの入力と出力を反転させることで、モデルを予測モデルとしてうまく利用することができる。 さらに,予測の不確実性を測定するために,回帰問題や分類問題に対するエントロピーと相対エントロピーを導入する。
  論文  参考訳（メタデータ） (2020-07-01T08:54:17Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。