Fugu-MT 論文翻訳(概要): Finding Structure and Causality in Linear Programs

論文の概要: Finding Structure and Causality in Linear Programs

arxiv url: http://arxiv.org/abs/2203.15274v1
Date: Tue, 29 Mar 2022 06:39:58 GMT
ステータス: 処理完了
システム内更新日: 2022-03-30 14:02:54.311289
Title: Finding Structure and Causality in Linear Programs
Title（参考訳）: 線形プログラムの構造と因果関係の探索
Authors: Matej Ze\v{c}evi\'c and Florian Peter Busch and Devendra Singh Dhami and Kristian Kersting
Abstract要約: 一般, 最短経路, エネルギー系LPの系統的, 実証的研究を行う。本稿では,LP 成分の構造内および構造間関係が興味深いことを明らかにする基礎的,因果的視点を提案する。
参考スコア（独自算出の注目度）: 17.103787431518683
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Linear Programs (LP) are celebrated widely, particularly so in machine learning where they have allowed for effectively solving probabilistic inference tasks or imposing structure on end-to-end learning systems. Their potential might seem depleted but we propose a foundational, causal perspective that reveals intriguing intra- and inter-structure relations for LP components. We conduct a systematic, empirical investigation on general-, shortest path- and energy system LPs.
Abstract（参考訳）: 線形プログラム(lp)は、特に機械学習において、確率的推論タスクを効果的に解いたり、エンドツーエンドの学習システムに構造を課すことが許されている。それらのポテンシャルは枯渇しているように思われるかもしれないが、lpコンポーネントの興味深い内部および構造間関係を明らかにする基礎的かつ因果的な視点を提案する。我々は, 一般, 最短パスアンドエネルギー系lpsの系統的, 実証的研究を行う。

関連論文リスト

A Unified Framework for Human-Allied Learning of Probabilistic Circuits [9.153589597382082]
確率回路(PC)は、複雑な確率分布を表現および学習するための効率的なフレームワークとして登場した。多様なドメイン知識をPCのパラメータ学習プロセスに統合できる新しい統合フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-03T18:14:29Z)
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)
Bayesian Structure Scores for Probabilistic Circuits [13.441379161477272]
確率回路(PC)は、抽出可能な推論を伴う確率の顕著な表現である。我々は、決定論的PCのためのベイズ構造スコア、すなわちパラメータを疎外した構造可能性を開発する。ログのように適合するトレーニング時間とモデルの間には、良好なトレードオフが達成されます。
論文参考訳（メタデータ） (2023-02-23T16:12:19Z)
On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
論文参考訳（メタデータ） (2022-06-09T16:24:01Z)
Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文参考訳（メタデータ） (2022-06-01T23:26:51Z)
Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
論文参考訳（メタデータ） (2022-04-20T21:15:38Z)
The Distributed Information Bottleneck reveals the explanatory structure of complex systems [1.52292571922932]
Information Bottleneck (IB) は、入力と出力の関係を理解するための情報理論フレームワークである。我々は、入力の複数のコンポーネントにボトルネックを分散する重要な修正が、科学における解釈可能なディープラーニングのための根本的に新しい道を開くことを示しています。応用数学と凝縮物質物理学から導かれたシステムにおける分散IBの説明ユーティリティを実証する。
論文参考訳（メタデータ） (2022-04-15T17:59:35Z)
DeepPSL: End-to-end perception and reasoning with applications to zero shot learning [1.1124588036301817]
推論と知覚を統合したエンドツーエンドのトレーニングシステムを作成します。 DeepPSLは確率的ソフト論理(PSL)の変種である画像分類において、DeepPSLをゼロショット学習問題で評価する。
論文参考訳（メタデータ） (2021-09-28T12:30:33Z)
Online Learning Probabilistic Event Calculus Theories in Answer Set Programming [70.06301658267125]
イベント認識(CER)システムは、事前に定義されたイベントパターンを使用して、ストリーミングタイムスタンプデータセットで発生を検出する。本稿では,複雑なイベントパターンによる確率論的推論を,イベント計算で重み付けされたルールの形で行うことができるAnswer Set Programming(ASP)に基づくシステムを提案する。その結果, 効率と予測の両面で, 新たなアプローチの優位性が示された。
論文参考訳（メタデータ） (2021-03-31T23:16:29Z)
Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and Beyond [114.39616146985001]
機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
論文参考訳（メタデータ） (2021-01-27T16:20:23Z)
Can We Learn Heuristics For Graphical Model Inference Using Reinforcement Learning? [114.24881214319048]
我々は、強化学習を用いて、高次条件ランダム場(CRF)における推論を解くためのプログラム、すなわち、ポリシーを学習できることを示します。本手法は,ポテンシャルの形式に制約を加えることなく,推論タスクを効率的に解く。
論文参考訳（メタデータ） (2020-04-27T19:24:04Z)

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。