論文の概要: Sum-product networks: A survey

• arxiv url: http://arxiv.org/abs/2004.01167v1
• Date: Thu, 2 Apr 2020 17:46:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 09:37:08.762073
• Title: Sum-product networks: A survey
• Title（参考訳）: sum-product networks: 調査
• Authors: Iago Par\'is, Raquel S\'anchez-Cauce, Francisco Javier D\'iez
• Abstract要約: 和積ネットワーク(英: sum-product network、SPN)は、根付き非巡回有向グラフに基づく確率モデルである。 本稿では、SPNの定義、データからの推論と学習のための主要なアルゴリズム、メインアプリケーション、ソフトウェアライブラリの簡単なレビュー、関連するモデルとの比較などについて調査する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A sum-product network (SPN) is a probabilistic model, based on a rooted acyclic directed graph, in which terminal nodes represent univariate probability distributions and non-terminal nodes represent convex combinations (weighted sums) and products of probability functions. They are closely related to probabilistic graphical models, in particular to Bayesian networks with multiple context-specific independencies. Their main advantage is the possibility of building tractable models from data, i.e., models that can perform several inference tasks in time proportional to the number of links in the graph. They are somewhat similar to neural networks and can address the same kinds of problems, such as image processing and natural language understanding. This paper offers a survey of SPNs, including their definition, the main algorithms for inference and learning from data, the main applications, a brief review of software libraries, and a comparison with related models
• Abstract（参考訳）: sum-product network (spn) は根付き非循環有向グラフに基づく確率モデルであり、終端ノードは不定確率分布を表し、非終端ノードは凸結合(重み付き和)と確率関数の積を表す。 確率的グラフィカルモデル、特に複数のコンテキスト固有の非依存性を持つベイズネットワークと密接に関連している。 その主な利点は、データから抽出可能なモデルを構築する可能性、すなわちグラフ内のリンク数に比例した時間で複数の推論タスクを実行できるモデルである。 これらはニューラルネットワークにやや似ていて、画像処理や自然言語理解など、同様の問題に対処できる。 本稿では,その定義,データからの推論と学習のための主アルゴリズム,主なアプリケーション,ソフトウェアライブラリの簡単なレビュー,関連するモデルとの比較など,spnに関する調査を行う。

関連論文リスト

• 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)
• GraphSPNs: Sum-Product Networks Benefit From Canonical Orderings [0.0]
  グラフ和積ネットワーク(Graph sum-product network、GraphSPN)は、(任意部分)グラフに対する正確かつ効率的な推論を提供する、抽出可能な深層生成モデルである。 我々は、GraphSPNが(条件付き)新規かつ化学的に有効な分子グラフを生成できることを実証した。
  論文  参考訳（メタデータ） (2024-08-18T12:19:16Z)
• Sum-Product-Set Networks: Deep Tractable Models for Tree-Structured Graphs [0.0]
  木構造グラフデータから木構造グラフデータへの確率回路の拡張である和積集合ネットワークを提案する。 我々は,ニューラルネットワークに基づく様々な抽出可能なモデルに対して,抽出可能なモデルが比較可能であることを実証した。
  論文  参考訳（メタデータ） (2024-08-14T09:13:27Z)
• Cyclic Directed Probabilistic Graphical Model: A Proposal Based on Structured Outcomes [0.0]
  本稿では,指向性周期依存を直接キャプチャ可能な確率的グラフィカルモデル(確率的関係ネットワーク)について述べる。 このモデルは確率公理に違反せず、観測データからの学習をサポートする。 特に、確率的推論をサポートし、データ分析やエキスパートおよび設計アプリケーションにおいて、将来的なツールとなる。
  論文  参考訳（メタデータ） (2023-10-25T10:19:03Z)
• Goodness-of-Fit of Attributed Probabilistic Graph Generative Models [11.58149447373971]
  ランダム二元ネットワークに対する平均二乗共起係数の観点で適合の良さを定義する。 各種グラフモデルに対する確率的生成モデルの表現能力を検証するために,これらの基準を適用した。
  論文  参考訳（メタデータ） (2023-07-28T18:48:09Z)
• Tractable Probabilistic Graph Representation Learning with Graph-Induced Sum-Product Networks [25.132159381873656]
  グラフ表現学習のための新しい確率的フレームワークであるグラフ誘導Sum-Product Networks (GSPNs)を紹介する。 このモデルが持つ競争力は,不足するデータの下での監視シナリオの不足や,一般的なニューラルモデルと比較したグラフ分類に代表される。
  論文  参考訳（メタデータ） (2023-05-17T20:02:08Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Probabilistic Generating Circuits [50.98473654244851]
  効率的な表現のための確率的生成回路(PGC)を提案する。 PGCは、非常に異なる既存モデルを統一する理論的なフレームワークであるだけでなく、現実的なデータをモデル化する大きな可能性も示している。 我々はPCとDPPの単純な組み合わせによって簡単に仮定されない単純なPGCのクラスを示し、一連の密度推定ベンチマークで競合性能を得る。
  論文  参考訳（メタデータ） (2021-02-19T07:06:53Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。