論文の概要: Compositional Probabilistic and Causal Inference using Tractable Circuit Models

• arxiv url: http://arxiv.org/abs/2304.08278v1
• Date: Mon, 17 Apr 2023 13:48:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-18 15:10:01.809007
• Title: Compositional Probabilistic and Causal Inference using Tractable Circuit Models
• Title（参考訳）: トラクタブル回路モデルを用いた構成確率と因果推論
• Authors: Benjie Wang and Marta Kwiatkowska
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.07977560803858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic circuits (PCs) are a class of tractable probabilistic models, which admit efficient inference routines depending on their structural properties. In this paper, we introduce md-vtrees, a novel structural formulation of (marginal) determinism in structured decomposable PCs, which generalizes previously proposed classes such as probabilistic sentential decision diagrams. Crucially, we show how mdvtrees can be used to derive tractability conditions and efficient algorithms for advanced inference queries expressed as arbitrary compositions of basic probabilistic operations, such as marginalization, multiplication and reciprocals, in a sound and generalizable manner. In particular, we derive the first polytime algorithms for causal inference queries such as backdoor adjustment on PCs. As a practical instantiation of the framework, we propose MDNets, a novel PC architecture using md-vtrees, and empirically demonstrate their application to causal inference.
• Abstract（参考訳）: 確率回路 (probabilistic circuits, pcs) は、構造的性質に応じて効率的な推論ルーチンを許容する、扱いやすい確率的モデルのクラスである。 本稿では,従来提案されていた確率感性決定図などのクラスを一般化した,構造化分解可能なPCにおける(有理性)決定性の新規な定式化であるmd-vtreesを紹介する。 重要なこととして,mdvtrees がトラクタビリティ条件の導出や,基本確率演算の任意の構成として表現される高度な推論クエリの効率的なアルゴリズム,例えば辺化,乗算,逆数などを,健全かつ一般化可能な方法で導出する方法を示す。 特に,pcのバックドア調整などの因果推論クエリに対する最初のポリタイムアルゴリズムを導出する。 本フレームワークの実用的なインスタンス化として,md-vtreesを用いた新しいPCアーキテクチャMDNetを提案し,因果推論への応用を実証的に示す。

関連論文リスト

• From Probabilistic Programming to Complexity-based Programming [0.5874142059884521]
  本稿では,CompLogという新しい計算フレームワークの主な特徴と実装について述べる。 ProbLogのような確率的プログラミングシステムにインスパイアされたCompLogは、Simplicity Theoryによって提案された推論メカニズムに基づいている。 提案システムでは,ある状況の予期せぬ事柄を,元投稿や元被写体で計算することができる。
  論文  参考訳（メタデータ） (2023-07-28T10:11:01Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• 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)
• Structural Learning of Probabilistic Sentential Decision Diagrams under Partial Closed-World Assumption [127.439030701253]
  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。
  論文  参考訳（メタデータ） (2021-07-26T12:01:56Z)
• pRSL: Interpretable Multi-label Stacking by Learning Probabilistic Rules [0.0]
  本稿では,確率論的命題論理則と信念伝播を用いた確率論的ルールスタックリング(pRSL)を提案し,その基礎となる分類器の予測と組み合わせる。 精度と近似推論と学習のためのアルゴリズムを導出し、様々なベンチマークデータセット上でpRSLが最先端の性能に達することを示す。
  論文  参考訳（メタデータ） (2021-05-28T14:06:21Z)
• Probabilistic Generating Circuits [50.98473654244851]
  効率的な表現のための確率的生成回路(PGC)を提案する。 PGCは、非常に異なる既存モデルを統一する理論的なフレームワークであるだけでなく、現実的なデータをモデル化する大きな可能性も示している。 我々はPCとDPPの単純な組み合わせによって簡単に仮定されない単純なPGCのクラスを示し、一連の密度推定ベンチマークで競合性能を得る。
  論文  参考訳（メタデータ） (2021-02-19T07:06:53Z)
• 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)
• Strudel: Learning Structured-Decomposable Probabilistic Circuits [37.153542210716004]
  Strudelは構造化分解可能なPCのためのシンプルで高速で正確な学習アルゴリズムである。 より正確なシングルPCモデルをより少ないイテレーションで提供し、PCのアンサンブルを構築する際に学習を劇的にスケールする。 標準密度推定ベンチマークと挑戦的推論シナリオにこれらの利点を示す。
  論文  参考訳（メタデータ） (2020-07-18T04:51:31Z)
• 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)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。