論文の概要: Solving Marginal MAP Exactly by Probabilistic Circuit Transformations

• arxiv url: http://arxiv.org/abs/2111.04833v1
• Date: Mon, 8 Nov 2021 21:10:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-10 14:44:03.946195
• Title: Solving Marginal MAP Exactly by Probabilistic Circuit Transformations
• Title（参考訳）: 確率的回路変換によるMarginal MAPの解法
• Authors: YooJung Choi, Tal Friedman, Guy Van den Broeck
• Abstract要約: 確率回路(英: Probabilistic circuits、PC)は、しばしば線形時間(英語版)で、辺りや最も確率的な説明(MPE)のようなクエリの効率的な推論を可能にする、トラクタブルな確率的モデルである。 そこで本研究では,PC を最小限の MAP クエリに関係のない部分を取り除き,正しい解を維持しながらPC を縮小するプルーニングアルゴリズムを開発した。 このプルーニング技術は非常に効果的であるため、回路を反復的に変換するのみに基づいて、サーチを必要とせずに、限界MAPソルバを構築することができる。
• 参考スコア（独自算出の注目度）: 37.06222947143855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic circuits (PCs) are a class of tractable probabilistic models that allow efficient, often linear-time, inference of queries such as marginals and most probable explanations (MPE). However, marginal MAP, which is central to many decision-making problems, remains a hard query for PCs unless they satisfy highly restrictive structural constraints. In this paper, we develop a pruning algorithm that removes parts of the PC that are irrelevant to a marginal MAP query, shrinking the PC while maintaining the correct solution. This pruning technique is so effective that we are able to build a marginal MAP solver based solely on iteratively transforming the circuit -- no search is required. We empirically demonstrate the efficacy of our approach on real-world datasets.
• Abstract（参考訳）: 確率回路 (probabilistic circuits, pcs) は、マージンや最も可能性の高い説明 (mpe) などのクエリを効率的に、しばしば線形時間に推論できる、扱いやすい確率的モデルである。 しかし、多くの意思決定問題の中心である限界MAPは、高度に制約のある構造制約を満たさない限り、PCにとって厳しいクエリである。 そこで本稿では,PC を最小限の MAP クエリと無関係に除去し,正しい解を維持しながらPC を縮小するプルーニングアルゴリズムを提案する。 このプルーニング技術は非常に効果的であるため、回路を反復的に変換するのみに基づいて、サーチを必要とせずに、限界MAPソルバを構築することができる。 実世界のデータセットにアプローチの有効性を実証的に示す。

関連論文リスト

• Finding Transformer Circuits with Edge Pruning [71.12127707678961]
  自動回路発見の効率的かつスケーラブルなソリューションとしてエッジプルーニングを提案する。 本手法は,従来の手法に比べてエッジ数の半分未満のGPT-2の回路を探索する。 その効率のおかげで、Edge PruningをCodeLlama-13Bにスケールしました。
  論文  参考訳（メタデータ） (2024-06-24T16:40:54Z)
• Neural Network Approximators for Marginal MAP in Probabilistic Circuits [11.917134619219079]
  ニューラルネットワークを用いてPC内の(M)MAP推論を近似する手法を提案する。 新しい手法の2つの大きな利点は、自己教師型であり、ニューラルネットワークが学習された後、解を出力するのに線形時間しか必要としない点である。 いくつかのベンチマークデータセットに対する我々の新しいアプローチを評価し、競合する線形時間近似よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-06T01:15:06Z)
• Scalable Mechanism Design for Multi-Agent Path Finding [87.40027406028425]
  MAPF (Multi-Agent Path Finding) は、複数のエージェントが同時に移動し、与えられた目標地点に向かって共有領域を通って衝突しない経路を決定する。 最適解を見つけることは、しばしば計算不可能であり、近似的な準最適アルゴリズムを用いることが不可欠である。 本稿では、MAPFのスケーラブルな機構設計の問題を紹介し、MAPFアルゴリズムを近似した3つの戦略防御機構を提案する。
  論文  参考訳（メタデータ） (2024-01-30T14:26:04Z)
• Online POMDP Planning with Anytime Deterministic Guarantees [11.157761902108692]
  不確実性の下での計画は、部分的に観測可能なマルコフ決定プロセス(POMDP)を用いて数学的に定式化できる POMDPの最適計画を見つけるには計算コストがかかり、小さなタスクにのみ適用可能である。 簡便な解と理論的に最適な解との決定論的関係を導出する。
  論文  参考訳（メタデータ） (2023-10-03T04:40:38Z)
• Bayesian Quantum State Tomography with Python's PyMC [0.0]
  我々は,Python-3 のオープンソース PyMC 確率型プログラミングパッケージを用いて,複雑でない QST 最適化問題を単純な形式に変換する方法を示す。 我々は,Python-3 のオープンソース PyMC 確率型プログラミングパッケージを用いて,複雑でない QST 最適化問題を単純な形式に変換する方法を示す。
  論文  参考訳（メタデータ） (2022-12-20T21:16:28Z)
• Solving Inverse Problems by Joint Posterior Maximization with Autoencoding Prior [0.0]
  JPal Autoencoder (VAE) が先行する画像における不適切な逆問題解決の問題に対処する。 本手法は,提案した目的関数を満たすのに十分であることを示す。 結果は、より堅牢な見積もりを提供するアプローチの堅牢性も示しています。
  論文  参考訳（メタデータ） (2021-03-02T11:18:34Z)
• Efficient semidefinite-programming-based inference for binary and multi-class MRFs [83.09715052229782]
  分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。 一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
  論文  参考訳（メタデータ） (2020-12-04T15:36:29Z)
• 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)
• Approximate MMAP by Marginal Search [78.50747042819503]
  本稿では,グラフィカルモデルにおける最小値MAPクエリの戦略を提案する。 提案した信頼度尺度は,アルゴリズムが正確であるインスタンスを適切に検出するものである。 十分に高い信頼度を得るために、アルゴリズムは正確な解を与えるか、正確な解からハミング距離が小さい近似を与える。
  論文  参考訳（メタデータ） (2020-02-12T07:41:13Z)

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。