論文の概要: Probabilistic Graph Circuits: Deep Generative Models for Tractable Probabilistic Inference over Graphs

• arxiv url: http://arxiv.org/abs/2503.12162v1
• Date: Sat, 15 Mar 2025 15:01:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:34:23.041208
• Title: Probabilistic Graph Circuits: Deep Generative Models for Tractable Probabilistic Inference over Graphs
• Title（参考訳）: 確率的グラフ回路:グラフ上のトラクタブル確率的推論のための深部生成モデル
• Authors: Milan Papež, Martin Rektoris, Václav Šmídl, Tomáš Pevný,
• Abstract要約: 本稿では,(任意部分)グラフに対する正確かつ効率的な確率的推論を提供する,抽出可能なDGMの枠組みを提案する。 グラフの置換不変な設定において、正確性と効率性の両立は困難である。 我々は、本質的に不変であり、これらの2つの要件を満たすPGCを、低表現力で設計する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Deep generative models (DGMs) have recently demonstrated remarkable success in capturing complex probability distributions over graphs. Although their excellent performance is attributed to powerful and scalable deep neural networks, it is, at the same time, exactly the presence of these highly non-linear transformations that makes DGMs intractable. Indeed, despite representing probability distributions, intractable DGMs deny probabilistic foundations by their inability to answer even the most basic inference queries without approximations or design choices specific to a very narrow range of queries. To address this limitation, we propose probabilistic graph circuits (PGCs), a framework of tractable DGMs that provide exact and efficient probabilistic inference over (arbitrary parts of) graphs. Nonetheless, achieving both exactness and efficiency is challenging in the permutation-invariant setting of graphs. We design PGCs that are inherently invariant and satisfy these two requirements, yet at the cost of low expressive power. Therefore, we investigate two alternative strategies to achieve the invariance: the first sacrifices the efficiency, and the second sacrifices the exactness. We demonstrate that ignoring the permutation invariance can have severe consequences in anomaly detection, and that the latter approach is competitive with, and sometimes better than, existing intractable DGMs in the context of molecular graph generation.
• Abstract（参考訳）: 深部生成モデル(DGM)はグラフ上の複雑な確率分布を捉えることに成功している。 その優れたパフォーマンスは、強力でスケーラブルなディープニューラルネットワークによるものだが、同時に、DGMを難易度の高い非線形変換の存在も、まったく同じである。 実際、確率分布を表すにもかかわらず、難解なDGMは、非常に狭い範囲のクエリに特有の近似や設計の選択なしに最も基本的な推論クエリにも答えられないため、確率的基礎を否定する。 この制限に対処するため, トラクタブルDGMのフレームワークである確率的グラフ回路(PGC)を提案する。 それでも、グラフの置換不変な設定において、正確性と効率性の両方を達成することは困難である。 我々は、本質的に不変であり、これらの2つの要件を満たすPGCを、低表現力で設計する。 そこで,まず効率を犠牲にし,次に正確性を犠牲にする2つの方法を検討した。 置換不変性を無視することは異常検出において重大な結果をもたらすことを示し、後者の手法は分子グラフ生成の文脈において既存の難解なDGMと競合し、時には競合することを示した。

関連論文リスト

• GraphSPNs: Sum-Product Networks Benefit From Canonical Orderings [0.0]
  グラフ和積ネットワーク(Graph sum-product network、GraphSPN)は、(任意部分)グラフに対する正確かつ効率的な推論を提供する、抽出可能な深層生成モデルである。 我々は、GraphSPNが(条件付き)新規かつ化学的に有効な分子グラフを生成できることを実証した。
  論文  参考訳（メタデータ） (2024-08-18T12:19:16Z)
• Endowing Pre-trained Graph Models with Provable Fairness [49.8431177748876]
  証明可能な公正性を持つ事前学習グラフモデル(GraphPAR)を実現する新しいアダプタチューニングフレームワークを提案する。 具体的には、各ノードに対して異なる属性意味を持つノード表現を拡張するために、ノード表現に対するセンシティブなセマンティックオーグメンタを設計する。 GraphPARでは、各ノードの公平性が証明可能であるかどうか、すなわち、予測が特定の機密属性セマンティクスの範囲内で常に公平であるかどうかを定量化する。
  論文  参考訳（メタデータ） (2024-02-19T14:16:08Z)
• Inference for Probabilistic Dependency Graphs [42.03917543423699]
  確率依存グラフ (PDGs) は確率モデルの柔軟なクラスである。 離散変数を持つPDGに対する最初のトラクタブル推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-09T18:40:12Z)
• Discrete Graph Auto-Encoder [52.50288418639075]
  離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。 まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
  論文  参考訳（メタデータ） (2023-06-13T12:40:39Z)
• Loss as the Inconsistency of a Probabilistic Dependency Graph: Choose Your Model, Not Your Loss Function [0.0]
  本稿では,多くの標準的な損失関数が,適切なシナリオを記述した自然PDGの不整合として現れることを示す。 また,PDGの不整合性は多種多様な統計的発散を捉えていることを示す。 PDGが因子グラフである環境で、矛盾が対数分割関数(自由エネルギー)となるのを観察する。
  論文  参考訳（メタデータ） (2022-02-24T01:51:21Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• 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)
• Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。 既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。 ノードの近さを保つため,既存のGNNをノード表現で拡張する。
  論文  参考訳（メタデータ） (2020-09-05T16:46:56Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。