論文の概要: Structural Learning of Probabilistic Sentential Decision Diagrams under Partial Closed-World Assumption

• arxiv url: http://arxiv.org/abs/2107.12130v1
• Date: Mon, 26 Jul 2021 12:01:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 16:10:24.478183
• Title: Structural Learning of Probabilistic Sentential Decision Diagrams under Partial Closed-World Assumption
• Title（参考訳）: 部分閉世界推定に基づく確率的意味決定図の構造学習
• Authors: Alessandro Antonucci and Alessandro Facchini and Lilith Mattei
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 127.439030701253
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic sentential decision diagrams are a class of structured-decomposable probabilistic circuits especially designed to embed logical constraints. To adapt the classical LearnSPN scheme to learn the structure of these models, we propose a new scheme based on a partial closed-world assumption: data implicitly provide the logical base of the circuit. Sum nodes are thus learned by recursively clustering batches in the initial data base, while the partitioning of the variables obeys a given input vtree. Preliminary experiments show that the proposed approach might properly fit training data, and generalize well to test data, provided that these remain consistent with the underlying logical base, that is a relaxation of the training data base.
• Abstract（参考訳）: 確率感性決定図は、特に論理的制約を埋め込むように設計された構造化分解可能な確率回路のクラスである。 これらのモデルの構造を学習するために、古典的な学習spnスキームを適応させるために、部分閉世界仮定に基づく新しいスキームを提案する:データは暗黙的に回路の論理ベースを提供する。 したがって、Sumノードは初期データベースで再帰的にバッチをクラスタリングすることで学習され、変数のパーティショニングは与えられた入力vtreeに従う。 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、トレーニングデータベースの緩和である基礎となる論理ベースと整合性を維持した上で、テストデータに適切に適合することを示した。

関連論文リスト

• Learning Prescriptive ReLU Networks [3.092691764363848]
  本研究では,観察データを用いた個別の治療法の集合から最適政策を学習する問題について検討する。 本稿では,強い規範的性能と解釈可能性のバランスをとることができる一方向線形ニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-01T13:17:29Z)
• 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)
• A Recursively Recurrent Neural Network (R2N2) Architecture for Learning Iterative Algorithms [64.3064050603721]
  本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。 本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
  論文  参考訳（メタデータ） (2022-11-22T16:30:33Z)
• Semantic Probabilistic Layers for Neuro-Symbolic Learning [83.25785999205932]
  我々は構造化出力予測(SOP)のための予測層を設計する。 予測が事前に定義されたシンボリック制約のセットと一致していることを保証するため、任意のニューラルネットワークにプラグインすることができる。 我々のセマンティック確率層(SPL)は、構造化された出力空間上で複雑な相関や制約をモデル化することができる。
  論文  参考訳（メタデータ） (2022-06-01T12:02:38Z)
• FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
  本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2021-06-24T15:38:34Z)
• Parsimonious Inference [0.0]
  parsimonious inferenceは任意のアーキテクチャ上の推論の情報理論的な定式化である。 提案手法は,効率的な符号化と巧妙なサンプリング戦略を組み合わせて,クロスバリデーションを伴わない予測アンサンブルを構築する。
  論文  参考訳（メタデータ） (2021-03-03T04:13:14Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)
• Symbolic Querying of Vector Spaces: Probabilistic Databases Meets Relational Embeddings [35.877591735510734]
  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。
  論文  参考訳（メタデータ） (2020-02-24T01:17:25Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)
• Bayesian stochastic blockmodeling [0.0]
  この章では、ネットワークデータから大規模なモジュラ構造を抽出するためのベイズ推論の使用について、自己完結した紹介を行っている。 我々は、過度な適合を防止し、モデル選択を可能にする方法でそれらの推論を可能にする非パラメトリックな定式化に焦点を当てる。 本稿では,ネットワークにおけるモジュール構造の検出可能性の基本的限界に光を当て,ブロックモデルを用いてリンクの欠落やスプリアスを予測できることを示す。
  論文  参考訳（メタデータ） (2017-05-29T14:53:42Z)

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。