論文の概要: Efficient Detection of Commutative Factors in Factor Graphs

• arxiv url: http://arxiv.org/abs/2407.16280v1
• Date: Tue, 23 Jul 2024 08:31:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 18:06:10.917460
• Title: Efficient Detection of Commutative Factors in Factor Graphs
• Title（参考訳）: 因子グラフにおける伝達因子の効率的な検出
• Authors: Malte Luttermann, Johann Machemer, Marcel Gehrke,
• Abstract要約: そこで本研究では,可換因子(DECOR)検出アルゴリズムを導入し,実際に可換因子であるかどうかを確認するための計算労力を大幅に削減する。 我々は,DECORが要求イテレーション数を劇的に減らし,DECORの効率を実証的に評価する制約を効率的に識別できることを証明した。
• 参考スコア（独自算出の注目度）: 1.1323769002489257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lifted probabilistic inference exploits symmetries in probabilistic graphical models to allow for tractable probabilistic inference with respect to domain sizes. To exploit symmetries in, e.g., factor graphs, it is crucial to identify commutative factors, i.e., factors having symmetries within themselves due to their arguments being exchangeable. The current state of the art to check whether a factor is commutative with respect to a subset of its arguments iterates over all possible subsets of the factor's arguments, i.e., $O(2^n)$ iterations for a factor with $n$ arguments in the worst case. In this paper, we efficiently solve the problem of detecting commutative factors in a factor graph. In particular, we introduce the detection of commutative factors (DECOR) algorithm, which allows us to drastically reduce the computational effort for checking whether a factor is commutative in practice. We prove that DECOR efficiently identifies restrictions to drastically reduce the number of required iterations and validate the efficiency of DECOR in our empirical evaluation.
• Abstract（参考訳）: Lifted Probabilistic Inferenceは、確率的グラフィカルモデルにおける対称性を利用して、ドメインサイズに関する抽出可能な確率的推論を可能にする。 因子グラフなどの対称性を利用するためには、可換因子、すなわちその議論が交換可能であるため、内部に対称性を持つ因子を特定することが重要である。 ある因子がその引数の部分集合に関して可換かどうかを確認する現在の最先端技術は、その因子の引数のすべての可能な部分集合、すなわち、最悪の場合、$n$引数を持つ因子に対する$O(2^n)$反復を反復する。 本稿では,因子グラフにおける可換因子の検出問題を効率的に解く。 特に,可換因子検出(DECOR)アルゴリズムを導入し,実際に可換因子であるかどうかを確認するための計算労力を大幅に削減する。 我々は,DECORが要求イテレーション数を劇的に減らし,DECORの効率を実証的に評価する制約を効率的に識別できることを証明した。

関連論文リスト

• Lifted Model Construction without Normalisation: A Vectorised Approach to Exploit Symmetries in Factor Graphs [3.1045268505532566]
  パラメトリック係数グラフの形でリフト表現を構築するための現在の最先端アルゴリズムは、交換可能だがスケールの異なる因子間の対称性を見逃している。 本稿では、パラメトリック因子グラフを構築するための最先端カラーパスアルゴリズム(ACP)の一般化を提案する。 提案アルゴリズムは任意の因子のポテンシャルを任意に拡張することができ、元のACPアルゴリズムよりも効率的に対称性を検出できる。
  論文  参考訳（メタデータ） (2024-11-18T16:59:44Z)
• Contrastive Factor Analysis [70.02770079785559]
  本稿では,新しいコントラスト要因分析フレームワークを提案する。 コントラスト学習の領域において、因子分析の有利な特性を活用することを目的としている。 非負因子分析の解釈可能性特性をさらに活用するために、非負バージョンに拡張される。
  論文  参考訳（メタデータ） (2024-07-31T16:52:00Z)
• Knowledge Composition using Task Vectors with Learned Anisotropic Scaling [51.4661186662329]
  本稿では,パラメータブロックと異なる学習係数を線形に組み合わせ,タスクベクトルレベルでの異方性スケーリングを実現するアルゴリズムであるaTLASを紹介する。 このような線形結合は事前学習されたモデルの低内在性を明示的に利用しており、学習可能なパラメータは数係数のみであることを示す。 本稿では,タスク算術,少数ショット認識,テスト時間適応において,教師なしあるいは教師なしの目的を用いた手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-07-03T07:54:08Z)
• Efficient Detection of Exchangeable Factors in Factor Graphs [1.1323769002489257]
  本稿では,交換可能因子(DEFT)検出アルゴリズムを導入し,実際に2つの因子が交換可能かどうかの計算労力を大幅に削減する。 我々は,DEFTが置換数を大幅に削減する制約を効果的に同定し,実験的な評価においてDFTの効率性を検証することを証明した。
  論文  参考訳（メタデータ） (2024-03-15T10:20:56Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• Colour Passing Revisited: Lifted Model Construction with Commutative Factors [3.1045268505532566]
  本稿では、論理変数を用いて特定の推論アルゴリズムとは無関係に昇降表現を構成するカラーパスアルゴリズムの修正版を提案する。 提案アルゴリズムは, 技術状況よりも多くの対称性を効率的に検出し, 圧縮を劇的に増加させ, オンラインクエリ時間を大幅に高速化する。
  論文  参考訳（メタデータ） (2023-09-20T11:57:19Z)
• Enriching Disentanglement: From Logical Definitions to Quantitative Metrics [59.12308034729482]
  複雑なデータにおける説明的要素を遠ざけることは、データ効率の表現学習にとって有望なアプローチである。 論理的定義と量的指標の関連性を確立し, 理論的に根ざした絡み合いの指標を導出する。 本研究では,非交叉表現の異なる側面を分離することにより,提案手法の有効性を実証的に実証する。
  論文  参考訳（メタデータ） (2023-05-19T08:22:23Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• Integer Factorization with Compositional Distributed Representations [5.119801391862319]
  本稿では,ベクトル記号アーキテクチャを用いた分散表現を用いた整数分解手法を提案する。 この手法は、整数分解をニューラルネットワークを用いて解くことができ、並列なニューロモルフィックハードウェアに実装される可能性がある方法で定式化する。
  論文  参考訳（メタデータ） (2022-03-02T08:09:17Z)
• Ghost factors in Gauss-sum factorization with transmon qubits [44.62475518267084]
  抑制できないゴーストファクターのクラスであるII型ゴーストファクターについて検討した。 II型ゴースト因子の存在とクビットのコヒーレンス時間によって、実験時間全体の上限が設定された。 本稿では,前処理をシステムの識別可能性を高める戦略として導入し,その手法をトランペットキュービットで実証する。
  論文  参考訳（メタデータ） (2021-04-23T01:31:56Z)

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。