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/2202.04110v4
• Date: Fri, 24 Mar 2023 23:34:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 03:50:36.681269
• 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, Antoine Dedieu, Nishanth Kumar, Wolfgang Lehrach, 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、因子グラフとして個別確率的グラフィカルモデル(PGM)を指定する。 JAXで効率よくスケーラブルなループ的信念伝達(LBP)を自動で実行します。
• 参考スコア（独自算出の注目度）: 12.082984159188054
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: PGMax is an open-source Python package for (a) easily specifying discrete Probabilistic Graphical Models (PGMs) as factor graphs; and (b) automatically running efficient and scalable loopy belief propagation (LBP) in JAX. PGMax supports general factor graphs with tractable factors, and leverages modern accelerators like GPUs for inference. Compared with existing alternatives, PGMax obtains higher-quality inference results with up to three orders-of-magnitude inference time speedups. PGMax additionally interacts seamlessly with the rapidly growing JAX ecosystem, opening up new research possibilities. Our source code, examples and documentation are available at https://github.com/deepmind/PGMax.
• Abstract（参考訳）: PGMaxはオープンソースのPythonパッケージである (a)離散確率図式モデル(PGM)を因子グラフとして容易に特定し、 b) JAXで効率よくスケーラブルなループ的信念伝達(LBP)を自動的に実行します。 pgmaxは扱いやすい因子を持つ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推論に活用している。 PGMaxは既存の代替手法と比較して、最大3桁のマグニチュード推論時間で高品質な推論結果が得られる。 PGMaxは急速に成長しているJAXエコシステムとシームレスに相互作用し、新しい研究可能性を開く。 ソースコード、例、ドキュメントはhttps://github.com/deepmind/PGMax.orgで公開されています。

関連論文リスト

• Can Large Language Models Analyze Graphs like Professionals? A Benchmark, Datasets and Models [90.98855064914379]
  グラフを処理するために,大規模言語モデル(LLM)のベンチマークであるProGraphを導入する。 その結果,現在のLCMの性能は不満足であり,最高のモデルでは36%の精度しか達成できないことがわかった。 本研究では,6つの広く使用されているグラフライブラリに基づいて,クローリングされたドキュメントと自動生成コードを含むLLM4Graphデータセットを提案する。
  論文  参考訳（メタデータ） (2024-09-29T11:38:45Z)
• Graph Similarity Regularized Softmax for Semi-Supervised Node Classification [33.297649538686045]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データ用に設計された強力なディープラーニングモデルである。 半教師付きノード分類におけるGNNに対するグラフ類似性正規化ソフトマックスを提案する。
  論文  参考訳（メタデータ） (2024-09-20T14:38:16Z)
• MultiMax: Sparse and Multi-Modal Attention Learning [60.49318008131978]
  SoftMaxは現代の機械学習アルゴリズムのユビキタスな成分である。 分散性はSoftMaxの変種族によって達成できるが、それらはしばしば代替損失関数を必要とし、多重モダリティを保たない。 入力入力範囲に応じて出力分布を適応的に変調するMultiMaxを提案する。
  論文  参考訳（メタデータ） (2024-06-03T10:51:43Z)
• 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)
• 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)
• 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)
• 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。