論文の概要: A visual introduction to Gaussian Belief Propagation

• arxiv url: http://arxiv.org/abs/2107.02308v1
• Date: Mon, 5 Jul 2021 22:43:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-08 04:10:33.983158
• Title: A visual introduction to Gaussian Belief Propagation
• Title（参考訳）: ガウス的信念伝播の視覚的導入
• Authors: Joseph Ortiz, Talfan Evans, Andrew J. Davison
• Abstract要約: 本稿では、任意に構造化された因子グラフのノード間でメッセージを渡すことによって、近似確率推論アルゴリズムの視覚的導入を提案する。 ループ的信念伝播の特別な場合として、GBP更新はローカル情報のみに依存し、メッセージスケジュールとは独立して収束する。 我々の重要な論点は、最近のコンピューティングハードウェアのトレンドを考えると、GBPは将来の機械学習システムのためのスケーラブルな分散確率的推論フレームワークとして機能する適切な計算特性を持っているということです。
• 参考スコア（独自算出の注目度）: 22.02770204949673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this article, we present a visual introduction to Gaussian Belief Propagation (GBP), an approximate probabilistic inference algorithm that operates by passing messages between the nodes of arbitrarily structured factor graphs. A special case of loopy belief propagation, GBP updates rely only on local information and will converge independently of the message schedule. Our key argument is that, given recent trends in computing hardware, GBP has the right computational properties to act as a scalable distributed probabilistic inference framework for future machine learning systems.
• Abstract（参考訳）: 本稿では,任意に構成された因子グラフのノード間でメッセージを伝達する近似確率的推論アルゴリズムであるgaussian belief propagation(gbp)を視覚的に紹介する。 ループ的信念伝搬の特殊な場合、GBP更新はローカル情報のみに依存し、メッセージスケジュールとは独立して収束する。 我々の重要な論点は、最近のコンピューティングハードウェアのトレンドを考えると、GBPは将来の機械学習システムのためのスケーラブルな分散確率的推論フレームワークとして機能する適切な計算特性を持っているということです。

関連論文リスト

• Distribution Transformers: Fast Approximate Bayesian Inference With On-The-Fly Prior Adaptation [16.582778766729387]
  本稿では,任意の分布-分布マッピングを学習可能な新しいアーキテクチャである分散トランスフォーマーを紹介する。 提案手法は,あるデータセットに条件付きで,対応する後部への事前のマッピングを訓練することができる。 我々は、配電変換器が事前の変動に柔軟性を保ち、時間帯を数分からミリ秒に短縮できることを実証した。
  論文  参考訳（メタデータ） (2025-02-04T16:33:12Z)
• Posets and Bounded Probabilities for Discovering Order-inducing Features in Event Knowledge Graphs [6.96958458974878]
  イベント知識グラフ(EKG)は、プロセス実行の複数の対話的なビューをキャプチャする。 未処理データからのEKG発見のオープンな問題に対処する。 統計的推測に基づくEKG探索アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2024-10-08T14:12:51Z)
• Circular Belief Propagation for Approximate Probabilistic Inference [0.07282584715927627]
  Belief Propagation (BP) は、確率分布を表すグラフのノード間でメッセージを渡す単純な確率的推論アルゴリズムである。 本稿では,BPの拡張であるCircular Belief Propagation (CBP)を提案する。 CBP が BP をはるかに上回り,従来提案したアルゴリズムと比較して優れた性能を示すバイナリ確率グラフを含む数値実験を行った。
  論文  参考訳（メタデータ） (2024-03-17T15:59:39Z)
• Inference via Interpolation: Contrastive Representations Provably Enable Planning and Inference [110.47649327040392]
  時系列データを考えると、“今後どうなるか?”や“どうやって来たのか?”といった質問に答えるにはどうすればよいでしょう? これらの質問は、学習された表現の観点から、いかにコンパクトで閉じた形状の解が得られるかを示す。
  論文  参考訳（メタデータ） (2024-03-06T22:27:30Z)
• Out of Distribution Detection via Domain-Informed Gaussian Process State Space Models [22.24457254575906]
  ロボットが見えないシナリオを安全にナビゲートするためには、オンラインのトレーニング外配布(OoD)状況を正確に検出することが重要である。 我々は,既存のドメイン知識をカーネルに埋め込む新しい手法を提案し,また(ii)遅延水平予測に基づくOoDオンラインランタイムモニタを提案する。
  論文  参考訳（メタデータ） (2023-09-13T01:02:42Z)
• Focus of Attention Improves Information Transfer in Visual Features [80.22965663534556]
  本稿では,真のオンライン環境下での視覚情報伝達のための教師なし学習に焦点を当てた。 エントロピー項の計算は、エントロピー項のオンライン推定を行う時間的プロセスによって行われる。 入力確率分布をよりよく構成するために,人間のような注目モデルを用いる。
  論文  参考訳（メタデータ） (2020-06-16T15:07:25Z)
• 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)
• Neural Enhanced Belief Propagation on Factor Graphs [85.61562052281688]
  グラフィカルモデルは局所依存確率変数の構造的表現である。 最初にグラフニューラルネットワークを拡張してグラフを分解する(FG-GNN)。 そこで我々は,FG-GNNを連立して動作させるハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2020-03-04T11:03:07Z)
• Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
  ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。 また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T15:13:27Z)
• 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。