論文の概要: Inference for Probabilistic Dependency Graphs

• arxiv url: http://arxiv.org/abs/2311.05580v1
• Date: Thu, 9 Nov 2023 18:40:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-10 14:16:28.138643
• Title: Inference for Probabilistic Dependency Graphs
• Title（参考訳）: 確率依存グラフの推論
• Authors: Oliver E. Richardson, Joseph Y. Halpern, and Christopher De Sa
• Abstract要約: 確率依存グラフ (PDGs) は確率モデルの柔軟なクラスである。 離散変数を持つPDGに対する最初のトラクタブル推論アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 42.03917543423699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic dependency graphs (PDGs) are a flexible class of probabilistic graphical models, subsuming Bayesian Networks and Factor Graphs. They can also capture inconsistent beliefs, and provide a way of measuring the degree of this inconsistency. We present the first tractable inference algorithm for PDGs with discrete variables, making the asymptotic complexity of PDG inference similar that of the graphical models they generalize. The key components are: (1) the observation that, in many cases, the distribution a PDG specifies can be formulated as a convex optimization problem (with exponential cone constraints), (2) a construction that allows us to express these problems compactly for PDGs of boundeed treewidth, (3) contributions to the theory of PDGs that justify the construction, and (4) an appeal to interior point methods that can solve such problems in polynomial time. We verify the correctness and complexity of our approach, and provide an implementation of it. We then evaluate our implementation, and demonstrate that it outperforms baseline approaches. Our code is available at http://github.com/orichardson/pdg-infer-uai.
• Abstract（参考訳）: 確率依存グラフ (PDGs) は確率的グラフィカルモデルの柔軟なクラスであり、ベイジアンネットワークとファクタグラフを仮定する。 彼らはまた、矛盾した信念を捉え、この矛盾の度合いを測る方法を提供する。 離散変数を持つPDGに対する最初のトラクタブル推論アルゴリズムを提案し、PDG推論の漸近的複雑さを一般化したグラフィカルモデルと同様にする。 主な構成要素は,(1) PDGが指定する分布が凸最適化問題(指数的コーン制約付き)として定式化できること,(2) 有界木幅のPDGに対してこれらの問題をコンパクトに表現できる構成,(3) 構成を正当化するPDGの理論への貢献,(4) 多項式時間でそのような問題を解くインテリアポイント法へのアピールである。 我々のアプローチの正確性と複雑さを検証し、その実装を提供する。 次に、実装を評価し、ベースラインアプローチよりも優れていることを示す。 私たちのコードはhttp://github.com/orichardson/pdg-infer-uaiで利用可能です。

関連論文リスト

• Learning Cartesian Product Graphs with Laplacian Constraints [10.15283812819547]
  ラプラシアン制約下でのカルト積グラフの学習問題について検討する。 我々は、ペナルティ化された最大推定値に対する統計的整合性を確立する。 また、構造的欠落のある値の存在下で、効率的な共同グラフ学習と計算を行う方法を拡張した。
  論文  参考訳（メタデータ） (2024-02-12T22:48:30Z)
• Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
  グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。 我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
  論文  参考訳（メタデータ） (2022-05-28T15:37:03Z)
• Incremental Inference on Higher-Order Probabilistic Graphical Models Applied to Constraint Satisfaction Problems [0.0]
  論文はPGM文学に3つの貢献をしている。 第一に、スドクスのようなグラフ彩色問題における因子グラフとクラスタグラフの比較である。 第二に、地図学における実践的な問題、すなわち土地被覆分類の促進に対するクラスタグラフの応用である。 第3に、制約満足度問題に対するPGMの定式化と、従来のPGMでは複雑すぎる問題を解決するためにPurge-and-mergeと呼ばれるアルゴリズムがある。
  論文  参考訳（メタデータ） (2022-02-25T19:13:47Z)
• Loss as the Inconsistency of a Probabilistic Dependency Graph: Choose Your Model, Not Your Loss Function [0.0]
  本稿では,多くの標準的な損失関数が,適切なシナリオを記述した自然PDGの不整合として現れることを示す。 また,PDGの不整合性は多種多様な統計的発散を捉えていることを示す。 PDGが因子グラフである環境で、矛盾が対数分割関数(自由エネルギー)となるのを観察する。
  論文  参考訳（メタデータ） (2022-02-24T01:51:21Z)
• Multi-task Learning of Order-Consistent Causal Graphs [59.9575145128345]
  我々は、$K関連ガウス非巡回グラフ(DAG)の発見問題を考える。 マルチタスク学習環境下では, 線形構造方程式モデルを学習するためのMLE ($l_1/l$-regularized maximum chance estimator) を提案する。 理論的には、関係するタスクにまたがるデータを活用することで、因果順序を復元する際のサンプルの複雑さをより高めることができることを示す。
  論文  参考訳（メタデータ） (2021-11-03T22:10:18Z)
• Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
  観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。 我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
  論文  参考訳（メタデータ） (2021-10-12T02:21:30Z)
• Strengthening Probabilistic Graphical Models: The Purge-and-merge Algorithm [0.0]
  パージ・アンド・マージアルゴリズムは、因子を選択的にマージすることで、可鍛グラフ構造を木構造に向けるように設計されている。 このアプローチは,Sudoku,Fill-a-pix,Kakuroなど,数多くの制約満足パズルに対して評価される。 これらのタスクは CSP のバイナリ論理に限られていたが、一般の PGM 推論への拡張の約束があると考えている。
  論文  参考訳（メタデータ） (2021-09-30T21:20:52Z)
• Probabilistic Dependency Graphs [14.505867475659274]
  確率依存グラフ(PDG)を紹介する。 PDGは自然な方法で一貫性のない信念を捉えることができる。 PDGが特に自然なモデリングツールであることを示す。
  論文  参考訳（メタデータ） (2020-12-19T22:29:49Z)
• 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)
• 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。