論文の概要: Characteristic Circuits

• arxiv url: http://arxiv.org/abs/2312.07790v1
• Date: Tue, 12 Dec 2023 23:15:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 17:07:25.921926
• Title: Characteristic Circuits
• Title（参考訳）: 特性回路
• Authors: Zhongjie Yu, Martin Trapp, Kristian Kersting
• Abstract要約: 確率回路(PC)は、高次元の確率分布に単純でトラクタブルな分布を構成する。 スペクトル領域における異種データ上の分布を統一的に定式化する特性回路(CC)を導入する。 CCは、共通ベンチマークデータセット上での不均一なデータ領域に対する最先端密度推定器より優れていることを示す。
• 参考スコア（独自算出の注目度）: 26.223089423713486
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In many real-world scenarios, it is crucial to be able to reliably and efficiently reason under uncertainty while capturing complex relationships in data. Probabilistic circuits (PCs), a prominent family of tractable probabilistic models, offer a remedy to this challenge by composing simple, tractable distributions into a high-dimensional probability distribution. However, learning PCs on heterogeneous data is challenging and densities of some parametric distributions are not available in closed form, limiting their potential use. We introduce characteristic circuits (CCs), a family of tractable probabilistic models providing a unified formalization of distributions over heterogeneous data in the spectral domain. The one-to-one relationship between characteristic functions and probability measures enables us to learn high-dimensional distributions on heterogeneous data domains and facilitates efficient probabilistic inference even when no closed-form density function is available. We show that the structure and parameters of CCs can be learned efficiently from the data and find that CCs outperform state-of-the-art density estimators for heterogeneous data domains on common benchmark data sets.
• Abstract（参考訳）: 多くの現実のシナリオでは、データの複雑な関係を捉えながら、不確実性の下で確実に効率的に推論できることが不可欠である。 確率回路(probabilistic circuits, pcs)は、高次元確率分布(high-dimensional probability distribution)に単純で扱いやすい分布を合成することで、この課題に対処できる。 しかし、異種データのPCの学習は困難であり、いくつかのパラメトリック分布の密度はクローズドな形で利用できないため、潜在的な使用を制限することができる。 スペクトル領域における異種データ上の分布の統一形式化を提供する、可搬確率モデルの一群である特性回路(ccs)を導入する。 特徴関数と確率測度の1対1の関係は、不均一データ領域上の高次元分布を学習し、閉形式密度関数がなくても効率的な確率的推論を容易にする。 我々は,CCの構造とパラメータをデータから効率的に学習し,CCが共通ベンチマークデータセット上の異種データ領域に対する最先端密度推定器より優れていることを示す。

関連論文リスト

• Probabilistically Plausible Counterfactual Explanations with Normalizing Flows [2.675793767640172]
  本稿では,確率論的に妥当な反事実的説明を生成する新しい手法であるPPCEFを提案する。 本手法は, パラメータ分布の特定の族を仮定することなく, 明示密度関数を直接最適化することにより, 精度を向上する。 PPCEFは、機械学習モデルを解釈し、公正性、説明責任、AIシステムの信頼を改善するための強力なツールである。
  論文  参考訳（メタデータ） (2024-05-27T20:24:03Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Learning Multivariate CDFs and Copulas using Tensor Factorization [39.24470798045442]
  データの多変量分布を学習することは、統計学と機械学習における中核的な課題である。 本研究では,多変量累積分布関数(CDF)を学習し,混合確率変数を扱えるようにすることを目的とする。 混合確率変数の合同CDFの任意のグリッドサンプリング版は、単純ベイズモデルとして普遍表現を許容することを示す。 提案モデルの性能を,回帰,サンプリング,データ計算を含むいくつかの合成および実データおよびアプリケーションで実証する。
  論文  参考訳（メタデータ） (2022-10-13T16:18:46Z)
• Marginalization in Bayesian Networks: Integrating Exact and Approximate Inference [0.0]
  欠落データと隠れ変数は、変数のサブセットの限界確率分布を計算する必要がある。 ベイジアンネットワークのグラフィカルな特性を利用した分割・コンカレント手法を開発した。 分類変数の限界確率分布を推定するための効率的でスケーラブルなアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-16T21:49:52Z)
• 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)
• General stochastic separation theorems with optimal bounds [68.8204255655161]
  分離性の現象が明らかになり、機械学習で人工知能(AI)システムのエラーを修正し、AI不安定性を分析するために使用された。 エラーやエラーのクラスタは、残りのデータから分離することができる。 AIシステムを修正する能力は、それに対する攻撃の可能性も開き、高次元性は、同じ分離性によって引き起こされる脆弱性を誘発する。
  論文  参考訳（メタデータ） (2020-10-11T13:12:41Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)
• Distribution Approximation and Statistical Estimation Guarantees of Generative Adversarial Networks [82.61546580149427]
  GAN(Generative Adversarial Networks)は教師なし学習において大きな成功を収めている。 本稿では,H'older空間における密度データ分布推定のためのGANの近似と統計的保証を提供する。
  論文  参考訳（メタデータ） (2020-02-10T16:47:57Z)

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。