論文の概要: Deriving Comprehensible Theories from Probabilistic Circuits

• arxiv url: http://arxiv.org/abs/2311.13379v1
• Date: Wed, 22 Nov 2023 13:19:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 15:05:04.499114
• Title: Deriving Comprehensible Theories from Probabilistic Circuits
• Title（参考訳）: 確率回路からの包括的理論の導出
• Authors: Sieben Bocklandt, Wannes Meert, Koen Vanderstraeten, Wouter Pijpops, Kurt Jaspers
• Abstract要約: 確率回路(PC)は、トラクタブル確率モデルのための汎用的で統一的なフレームワークである。 本稿では,可解で可読な論理理論を計算し,確率回路の説明可能性を向上させる。 評価は,PCの高密度領域を記述した理解可能な論理理論を効果的に作成できることを示唆している。
• 参考スコア（独自算出の注目度）: 4.61332483263247
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The field of Explainable AI (XAI) is seeking to shed light on the inner workings of complex AI models and uncover the rationale behind their decisions. One of the models gaining attention are probabilistic circuits (PCs), which are a general and unified framework for tractable probabilistic models that support efficient computation of various probabilistic queries. Probabilistic circuits guarantee inference that is polynomial in the size of the circuit. In this paper, we improve the explainability of probabilistic circuits by computing a comprehensible, readable logical theory that covers the high-density regions generated by a PC. To achieve this, pruning approaches based on generative significance are used in a new method called PUTPUT (Probabilistic circuit Understanding Through Pruning Underlying logical Theories). The method is applied to a real world use case where music playlists are automatically generated and expressed as readable (database) queries. Evaluation shows that this approach can effectively produce a comprehensible logical theory that describes the high-density regions of a PC and outperforms state of the art methods when exploring the performance-comprehensibility trade-off.
• Abstract（参考訳）: 説明可能なAI(XAI)の分野は、複雑なAIモデルの内部動作に光を当て、その決定の根拠を明らかにすることにある。 注目されているモデルの1つは確率回路(PC)であり、様々な確率的クエリの効率的な計算をサポートするトラクタブル確率モデルのための汎用的で統一的なフレームワークである。 確率回路は、回路の大きさの多項式である推論を保証する。 本稿では,PCが生成する高密度領域を網羅する可読性論理理論を計算することにより,確率回路の説明可能性を向上させる。 これを実現するために、PUTPUT(Probabilistic circuit Understanding through Pruning Underlying logic Theories)と呼ばれる新しい手法において、生成的意義に基づくプルーニングアプローチを用いる。 この方法は、音楽プレイリストが自動生成され、可読性(データベース)クエリとして表現される実世界のユースケースに適用される。 評価の結果,本手法はPCの高密度領域を記述した理解可能な論理理論を効果的に生成し,性能理解性トレードオフを探索する際の技術手法の状態を上回り得ることが示された。

関連論文リスト

• On the Relationship Between Monotone and Squared Probabilistic Circuits [32.42702089668762]
  InceptionPCsはモノトーン回路と2乗回路の両方を特別に含む新しいタイプの回路である。 InceptionPCは画像データセット上でモノトーン回路と正方形回路の両方より優れていることを実証的に検証する。
  論文  参考訳（メタデータ） (2024-08-01T18:56:08Z)
• Transformer Circuit Faithfulness Metrics are not Robust [0.04260910081285213]
  回路の「忠実さ」を、モデルの計算の一部を損なうことによって測定する。 既存の回路忠実度スコアは、研究者の方法論的選択と回路の実際の構成要素の両方を反映していると結論付けている。 機械的解釈可能性の研究の最終的な目標は、ニューラルネットワークを理解することです。
  論文  参考訳（メタデータ） (2024-07-11T17:59:00Z)
• Finding Transformer Circuits with Edge Pruning [71.12127707678961]
  自動回路発見の効率的かつスケーラブルなソリューションとしてエッジプルーニングを提案する。 本手法は,従来の手法に比べてエッジ数の半分未満のGPT-2の回路を探索する。 その効率のおかげで、Edge PruningをCodeLlama-13Bにスケールしました。
  論文  参考訳（メタデータ） (2024-06-24T16:40:54Z)
• LARP: Language Audio Relational Pre-training for Cold-Start Playlist Continuation [49.89372182441713]
  マルチモーダルコールドスタートプレイリスト継続モデルであるLARPを導入する。 我々のフレームワークはタスク固有の抽象化の段階を増大させており、イントラトラック(音声)コントラスト損失、トラックトラックコントラスト損失、トラックプレイリストコントラスト損失である。
  論文  参考訳（メタデータ） (2024-06-20T14:02:15Z)
• Sparse Feature Circuits: Discovering and Editing Interpretable Causal Graphs in Language Models [55.19497659895122]
  本稿ではスパース特徴回路の発見と適用方法を紹介する。 これらは言語モデルの振る舞いを説明するための人間の解釈可能な特徴の因果関係の著作である。
  論文  参考訳（メタデータ） (2024-03-28T17:56:07Z)
• GETMusic: Generating Any Music Tracks with a Unified Representation and Diffusion Framework [58.64512825534638]
  シンボリック・ミュージック・ジェネレーションは、ユーザーが音楽を作るのに役立つ音符を作成することを目的としている。 私たちは「GETMusic」と呼ばれるフレームワークを紹介します。「GET'」は「GEnerate Music Tracks」の略です。 GETScoreは、音符をトークンとして表現し、2D構造でトークンを整理する。 提案する表現は,非自己回帰生成モデルと組み合わせて,任意のソース・ターゲットトラックの組み合わせでGETMusicに音楽を生成する。
  論文  参考訳（メタデータ） (2023-05-18T09:53:23Z)
• Cadence Detection in Symbolic Classical Music using Graph Neural Networks [7.817685358710508]
  本稿では,シンボルスコアのグラフ表現を中間的手段として提示し,ケイデンス検出課題を解決する。 グラフ畳み込みネットワークを用いた不均衡ノード分類問題としてケイデンス検出にアプローチする。 実験の結果,グラフ畳み込みは,非局所的コンテキストを符号化する特殊な特徴を考案する必要がなく,ケイデンス検出を支援する非局所的特徴を学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-08-31T12:39:57Z)
• Supervised Chorus Detection for Popular Music Using Convolutional Neural Network and Multi-task Learning [10.160205869706965]
  本稿では,ポピュラー音楽のコーラスセグメントを検出するための新しい教師付きアプローチを提案する。 本稿では,2つの時間的アクティベーション曲線に同時に適合するマルチタスク学習目的の畳み込みニューラルネットワークを提案する。 また,合唱と境界予測を共同で考慮し,バイナリ出力を生成するポストプロセッシング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-26T04:32:08Z)
• Replacing Rewards with Examples: Example-Based Policy Search via Recursive Classification [133.20816939521941]
  標準的なマルコフ決定プロセス形式では、ユーザーは報酬関数を書き留めてタスクを指定する。 多くのシナリオでは、ユーザーはタスクを単語や数字で記述できないが、タスクが解決された場合の世界がどのように見えるかを簡単に示すことができる。 この観察に動機づけられた制御アルゴリズムは、成功した結果状態の例だけを考慮すれば、成功する結果につながる確率の高い状態を訪問することを目的としている。
  論文  参考訳（メタデータ） (2021-03-23T16:19:55Z)
• Fork or Fail: Cycle-Consistent Training with Many-to-One Mappings [67.11712279612583]
  サイクル一貫性トレーニングは、2つの関心領域間の前方および逆マッピングの学習に広く用いられている。 我々は条件付き変分オートエンコーダ(cvae)アプローチを開発し、これは全射写像を暗黙の単射に変換するものと見なすことができる。 私たちのパイプラインは、グラフからテキストへの多様性を促進しながら、サイクルトレーニング中に多くのマッピングをキャプチャできます。
  論文  参考訳（メタデータ） (2020-12-14T10:59:59Z)
• Modeling Musical Structure with Artificial Neural Networks [0.0]
  音楽構造モデリングのさまざまな側面に対する人工知能の適用について検討する。 Gated Autoencoder(GAE)というコネクショナリストモデルを用いて,楽曲の断片間の変換を学習する方法を示す。 本稿では,ポリフォニック・ミュージックを区間の連続として表現するGAEの特別な予測訓練を提案する。
  論文  参考訳（メタデータ） (2020-01-06T18:35:57Z)

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。