論文の概要: Probabilistic Circuits with Constraints via Convex Optimization

• arxiv url: http://arxiv.org/abs/2403.13125v1
• Date: Tue, 19 Mar 2024 19:55:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-21 18:47:08.626745
• Title: Probabilistic Circuits with Constraints via Convex Optimization
• Title（参考訳）: 凸最適化による制約付き確率回路
• Authors: Soroush Ghandi, Benjamin Quost, Cassio de Campos,
• Abstract要約: 提案手法は,PCと制約の両方を入力とし,制約を満たす新しいPCを出力する。 実証的な評価は、制約とPCの組み合わせには複数のユースケースが存在することを示している。
• 参考スコア（独自算出の注目度）: 2.6436521007616114
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This work addresses integrating probabilistic propositional logic constraints into the distribution encoded by a probabilistic circuit (PC). PCs are a class of tractable models that allow efficient computations (such as conditional and marginal probabilities) while achieving state-of-the-art performance in some domains. The proposed approach takes both a PC and constraints as inputs, and outputs a new PC that satisfies the constraints. This is done efficiently via convex optimization without the need to retrain the entire model. Empirical evaluations indicate that the combination of constraints and PCs can have multiple use cases, including the improvement of model performance under scarce or incomplete data, as well as the enforcement of machine learning fairness measures into the model without compromising model fitness. We believe that these ideas will open possibilities for multiple other applications involving the combination of logics and deep probabilistic models.
• Abstract（参考訳）: 本研究は確率論的論理制約を確率論的回路(PC)によって符号化された分布に統合する。 PCは、いくつかの領域で最先端の性能を達成しつつ、効率的な計算(条件や限界確率など)を可能にするトラクタブルモデルのクラスである。 提案手法は,PCと制約の両方を入力とし,制約を満たす新しいPCを出力する。 これは、モデル全体を再トレーニングすることなく、凸最適化によって効率的に行われる。 経験的評価は、制約とPCの組み合わせは、不足データや不完全データによるモデル性能の向上、モデル適合性を損なうことなくモデルに機械学習公正度対策を適用するなど、複数のユースケースを持つことができることを示している。 これらのアイデアは、論理と深い確率モデルの組み合わせを含む、他の複数のアプリケーションの可能性を開くだろうと考えています。

関連論文リスト

• Efficient Fairness-Performance Pareto Front Computation [51.558848491038916]
  最適公正表現はいくつかの有用な構造特性を持つことを示す。 そこで,これらの近似問題は,凹凸プログラミング法により効率的に解けることを示す。
  論文  参考訳（メタデータ） (2024-09-26T08:46:48Z)
• Sparse Variational Student-t Processes [8.46450148172407]
  学生Tプロセスは、重い尾の分布とデータセットをアウトリーチでモデル化するために使用される。 本研究では,学生プロセスが現実のデータセットに対してより柔軟になるためのスパース表現フレームワークを提案する。 UCIとKaggleの様々な合成および実世界のデータセットに対する2つの提案手法の評価を行った。
  論文  参考訳（メタデータ） (2023-12-09T12:55:20Z)
• Symmetric Tensor Networks for Generative Modeling and Constrained Combinatorial Optimization [72.41480594026815]
  ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。 これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。 本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
  論文  参考訳（メタデータ） (2022-11-16T18:59:54Z)
• Continuous Mixtures of Tractable Probabilistic Models [10.667104977730304]
  変分オートエンコーダのような連続潜伏空間に基づく確率モデルは、非可算混合モデルとして理解することができる。 確率回路(PC)は階層的な離散混合モデルとして理解することができる。 本稿では,少ない潜在次元のトラクタブルモデルの連続混合というハイブリッドアプローチについて検討する。
  論文  参考訳（メタデータ） (2022-09-21T18:18:32Z)
• Linear-Time Probabilistic Solutions of Boundary Value Problems [27.70274403550477]
  我々は、Gauss--Markov を前もって導入し、特に BVP に調整する。 これにより、線形時間で解の後方分布を計算し、よく確立された非確率的手法に匹敵する品質とコストで計算することができる。
  論文  参考訳（メタデータ） (2021-06-14T21:19:17Z)
• 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)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)

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。