論文の概要: Symbolic Querying of Vector Spaces: Probabilistic Databases Meets Relational Embeddings

• arxiv url: http://arxiv.org/abs/2002.10029v2
• Date: Sat, 27 Jun 2020 20:01:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 04:24:40.358719
• Title: Symbolic Querying of Vector Spaces: Probabilistic Databases Meets Relational Embeddings
• Title（参考訳）: ベクトル空間のシンボリッククエリ:確率論的データベースと関係埋め込み
• Authors: Tal Friedman and Guy Van den Broeck
• Abstract要約: すべてのクエリが実行される確率的データベースモデルを形式化する。 十分に定義された連立確率分布の欠如は、単純な問合せ問題を証明し難いものにする。 本稿では, トラクタブル確率データベースとして設計したリレーショナル埋め込みモデルTOを紹介する。
• 参考スコア（独自算出の注目度）: 35.877591735510734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose unifying techniques from probabilistic databases and relational embedding models with the goal of performing complex queries on incomplete and uncertain data. We formalize a probabilistic database model with respect to which all queries are done. This allows us to leverage the rich literature of theory and algorithms from probabilistic databases for solving problems. While this formalization can be used with any relational embedding model, the lack of a well-defined joint probability distribution causes simple query problems to become provably hard. With this in mind, we introduce \TO, a relational embedding model designed to be a tractable probabilistic database, by exploiting typical embedding assumptions within the probabilistic framework. Using a principled, efficient inference algorithm that can be derived from its definition, we empirically demonstrate that \TOs is an effective and general model for these querying tasks.
• Abstract（参考訳）: 不完全かつ不確実なデータに対して複雑なクエリを実行することを目的として,確率データベースと関係埋め込みモデルからの統一手法を提案する。 すべてのクエリが実行される確率的データベースモデルを定式化します。 これにより、確率論的データベースから理論とアルゴリズムの豊富な文献を活用して問題を解決することができる。 この形式化は、任意の関係埋め込みモデルで使用できるが、よく定義された合同確率分布の欠如により、単純なクエリ問題が確実に困難になる。 このことを念頭に置いて,確率的枠組みにおける典型的な組込み仮定を活用し,確率的データベースとして設計された関係埋め込みモデルである \to を導入する。 その定義から導出できる原理的,効率的な推論アルゴリズムを用いて,これらの問合せタスクの有効で汎用的なモデルであることを実証的に示す。

関連論文リスト

• Towards Privacy-Preserving Relational Data Synthesis via Probabilistic Relational Models [3.877001015064152]
  確率的リレーショナルモデルは、一階述語論理と確率的モデルを組み合わせるための確立された形式主義を提供する。 人工知能の分野は、さまざまな機械学習タスクのために、ますます大量のリレーショナルトレーニングデータを必要とする。 プライバシの懸念やデータ保護の規制、高コストなどにより、現実のデータの収集は難しいことが多い。
  論文  参考訳（メタデータ） (2024-09-06T11:24:25Z)
• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Compositional Probabilistic and Causal Inference using Tractable Circuit Models [20.07977560803858]
  我々は、構造化分解可能なPCにおける(マルジナル)決定性の新規な定式化であるmd-vtreesを紹介する。 我々は,PC上でのバックドア調整などの因果推論クエリに対して,最初のpolytimeアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2023-04-17T13:48:16Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• An epistemic approach to model uncertainty in data-graphs [2.1261712640167847]
  グラフデータベースは、彼らが表現しようとする実世界のデータに関して、エラーや不一致に悩まされる可能性がある。 本研究では,従来の関係データベースに提案されていた確率的不確定グラフデータベースの概念について検討する。 データクリーニングと確率的クエリ応答という2つの計算問題を定義し,その複雑さについて検討する。
  論文  参考訳（メタデータ） (2021-09-29T00:08:27Z)
• Structural Learning of Probabilistic Sentential Decision Diagrams under Partial Closed-World Assumption [127.439030701253]
  確率感性決定図は構造化分解可能な回路のクラスである。 本稿では,回路の論理的基盤を暗黙的に提供する部分閉世界仮定に基づく新しいスキームを提案する。 予備実験では、提案手法がトレーニングデータに適切に適合し、基礎となる論理的基盤と整合性を維持した上で、テストデータによく適合することを示した。
  論文  参考訳（メタデータ） (2021-07-26T12:01:56Z)
• Complex Coordinate-Based Meta-Analysis with Probabilistic Programming [0.0]
  報告されたピークアクティベーションの座標と項関連を自動的に抽出することにより、コーディネートベースのメタアナリシス(CBMA)データベースを構築する。 本稿では,近年,大規模なニューロイメージングデータに拡張可能なクエリ処理アルゴリズムについて述べる。 シミュレーションされたメタアナリシスデータベースと広く使われているニューロシンスデータベースの両方において、2つの長期接続型クエリの結果を示す。
  論文  参考訳（メタデータ） (2020-12-02T16:16:26Z)
• Probabilistic Case-based Reasoning for Open-World Knowledge Graph Completion [59.549664231655726]
  ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。 本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。 提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
  論文  参考訳（メタデータ） (2020-10-07T17:48:12Z)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)

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。