論文の概要: PGMax: Factor Graphs for Discrete Probabilistic Graphical Models and
Loopy Belief Propagation in JAX
- arxiv url: http://arxiv.org/abs/2202.04110v1
- Date: Tue, 8 Feb 2022 19:27:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-11 05:48:54.070588
- Title: PGMax: Factor Graphs for Discrete Probabilistic Graphical Models and
Loopy Belief Propagation in JAX
- Title(参考訳): pgmax:離散確率グラフィカルモデルのための因子グラフとjaxにおけるループ的信念伝播
- Authors: Guangyao Zhou, Nishanth Kumar, Miguel L\'azaro-Gredilla, Shrinu
Kushagra, Dileep George
- Abstract要約: PGMaxはオープンソースのPythonパッケージで、PGM(Probabilistic Graphical Models)を因子グラフとして簡単に定義できる。
一般的な因子グラフをサポートしており、推論にGPUのような現代的なアクセラレータを効果的に活用することができる。
- 参考スコア(独自算出の注目度): 9.4836488032617
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: PGMax is an open-source Python package for easy specification of discrete
Probabilistic Graphical Models (PGMs) as factor graphs, and automatic
derivation of efficient and scalable loopy belief propagation (LBP)
implementation in JAX. It supports general factor graphs, and can effectively
leverage modern accelerators like GPUs for inference. Compared with existing
alternatives, PGMax obtains higher-quality inference results with
orders-of-magnitude inference speedups. PGMax additionally interacts seamlessly
with the rapidly growing JAX ecosystem, opening up exciting new possibilities.
Our source code, examples and documentation are available at
https://github.com/vicariousinc/PGMax.
- Abstract(参考訳): PGMaxはオープンソースのPythonパッケージで、PGM(Probabilistic Graphical Models)を因子グラフとして簡単に定義し、JAXにおける効率よくスケーラブルなループ的信念伝達(LBP)の実装を自動で導出する。
一般的な因子グラフをサポートし、GPUのような現代的なアクセラレータを効果的に活用することができる。
PGMaxは既存の代替手法と比較して、高次精度の推論結果を得る。
pgmaxは急速に成長するjaxエコシステムとシームレスに相互作用し、エキサイティングな新しい可能性を開く。
ソースコード、サンプル、ドキュメンテーションはhttps://github.com/vicariousinc/pgmaxで閲覧できます。
関連論文リスト
- FastMAC: Stochastic Spectral Sampling of Correspondence Graph [55.75524096647733]
本稿では,対応グラフの領域にグラフ信号処理を導入する最初の研究について述べる。
我々は、対応グラフ上の一般化次数信号を利用し、高周波成分を保存するサンプリング戦略を追求する。
アプリケーションとして,FastMACと呼ばれる,リアルタイムな高速な3D登録アルゴリズムを構築した。
論文 参考訳(メタデータ) (2024-03-13T17:59:56Z) - M3C: A Framework towards Convergent, Flexible, and Unsupervised Learning
of Mixture Graph Matching and Clustering [57.947071423091415]
本稿では,理論収束を保証する学習自由度アルゴリズムであるM3Cを提案する。
我々は、新しいエッジワイド親和性学習と擬似ラベル選択を組み込んだ教師なしモデルUM3Cを開発した。
提案手法は,最先端のグラフマッチングと混合グラフマッチングとクラスタリングの手法を精度と効率の両面で優れている。
論文 参考訳(メタデータ) (2023-10-27T19:40:34Z) - r-softmax: Generalized Softmax with Controllable Sparsity Rate [11.39524236962986]
本稿では,ソフトマックスの修正であるr-softmaxを提案し,スパース確率分布を制御可能なスペーサ率で出力する。
我々は、r-softmaxが他のソフトマックス代替品よりも優れており、元のソフトマックスと高い競争力を持つ複数のマルチラベルデータセットを示す。
論文 参考訳(メタデータ) (2023-04-11T14:28:29Z) - A Generalization of ViT/MLP-Mixer to Graphs [32.86160915431453]
我々は、Graph ViT/MLP-Mixerと呼ばれる新しいGNNのクラスを紹介する。
長距離依存を捕捉し、オーバー・スカッシングの問題を緩和する。
ノード数とエッジ数にリニアな複雑さで、スピードとメモリ効率が向上する。
論文 参考訳(メタデータ) (2022-12-27T03:27:46Z) - Node Feature Extraction by Self-Supervised Multi-scale Neighborhood
Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。
GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。
我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文 参考訳(メタデータ) (2021-10-29T19:55:12Z) - Graph Contrastive Learning Automated [94.41860307845812]
グラフコントラスト学習(GraphCL)は、有望な表現学習性能とともに登場した。
GraphCLのヒンジがアドホックなデータ拡張に与える影響は、データセット毎に手動で選択する必要がある。
本稿では,グラフデータ上でGraphCLを実行する際に,データ拡張を自動的に,適応的に動的に選択する統合バイレベル最適化フレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-10T16:35:27Z) - MPLP++: Fast, Parallel Dual Block-Coordinate Ascent for Dense Graphical
Models [96.1052289276254]
この研究は、人気のあるDual Block-Coordinate Ascent原則に基づく新しいMAP-solverを導入している。
驚いたことに、性能の低い解法に小さな変更を加えることで、既存の解法を大きなマージンで大幅に上回る新しい解法MPLP++を導出します。
論文 参考訳(メタデータ) (2020-04-16T16:20:53Z) - Minor-embedding heuristics for large-scale annealing processors with
sparse hardware graphs of up to 102,400 nodes [4.615728097564293]
最小の埋め込みは、二次的に制約のないバイナリ最適化において問題をコンパイルするのに必須のツールとなっている。
適度なサイズ(約2000ノード)アニール用最近の埋込み装置の開発
最新のCMOSアニーリングプロセッサ(102,400ノード)のサイズは、埋め込みに全く新しい要求をもたらす。
論文 参考訳(メタデータ) (2020-04-08T05:30:43Z) - 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。