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
- Higher-order topological kernels via quantum computation [68.8204255655161]
トポロジカルデータ分析(TDA)は、複雑なデータから意味のある洞察を抽出する強力なツールとして登場した。
本稿では,ベッチ曲線の次数増加に基づくBettiカーネルの量子的定義法を提案する。
論文 参考訳(メタデータ) (2023-07-14T14:48:52Z) - 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) - Probabilistic relations for modelling epistemic and aleatoric
uncertainty: semantics and automated reasoning with theorem proving [0.7219077740523682]
確率的プログラミングは、一般的なコンピュータプログラミング、統計的推論、形式的意味論を組み合わせたものである。
私たちの仕事は、Hehner氏の予測確率的プログラミングに基づいていますが、彼の仕事が広く採用されるにはいくつかの障害があります。
ロボットのローカライゼーションの問題,機械学習の分類,確率ループの終了など,6つの事例で研究成果を実演する。
論文 参考訳(メタデータ) (2023-03-16T23:36:57Z) - A full-stack view of probabilistic computing with p-bits: devices,
architectures and algorithms [0.014319921806060482]
pビットを用いた確率計算のフルスタックレビューを提供する。
pビットはエネルギー効率のよい確率システムを構築するのに使用できると我々は主張する。
我々は、機械学習からAIまで、確率的コンピュータの主な応用について概説する。
論文 参考訳(メタデータ) (2023-02-13T15:36:07Z) - A Quantum Algorithm for Computing All Diagnoses of a Switching Circuit [73.70667578066775]
ほとんどの人造システム、特にコンピュータは決定論的に機能する。
本稿では、量子物理学が確率法則に従うときの直観的なアプローチである量子情報理論による接続を提供する。
論文 参考訳(メタデータ) (2022-09-08T17:55:30Z) - Logical Credal Networks [87.25387518070411]
本稿では,論理と確率を組み合わせた先行モデルの多くを一般化した表現的確率論的論理である論理的クレダルネットワークを紹介する。
本稿では,不確実性のあるマスターミンドゲームを解くこと,クレジットカード詐欺を検出することを含む,最大後部推論タスクの性能について検討する。
論文 参考訳(メタデータ) (2021-09-25T00:00:47Z) - 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) - 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)
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。