Fugu-MT 論文翻訳(概要): Towards representation agnostic probabilistic programming

論文の概要: Towards representation agnostic probabilistic programming

arxiv url: http://arxiv.org/abs/2512.23740v1
Date: Thu, 25 Dec 2025 15:51:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-01 23:27:28.123885
Title: Towards representation agnostic probabilistic programming
Title（参考訳）: 表現に依存しない確率的プログラミングに向けて
Authors: Ole Fenske, Maximilian Popko, Sebastian Bader, Thomas Kirste,
Abstract要約: 本稿では,5つの基本演算を基本表現によらず,因子を操作するための普遍的なインタフェースとして機能する因子抽象化を導入する。これにより、表現に依存しない確率的プログラミングが可能になり、ユーザーは自由に異なる表現を混ぜることができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Current probabilistic programming languages and tools tightly couple model representations with specific inference algorithms, preventing experimentation with novel representations or mixed discrete-continuous models. We introduce a factor abstraction with five fundamental operations that serve as a universal interface for manipulating factors regardless of their underlying representation. This enables representation-agnostic probabilistic programming where users can freely mix different representations (e.g. discrete tables, Gaussians distributions, sample-based approaches) within a single unified framework, allowing practical inference in complex hybrid models that current toolkits cannot adequately express.
Abstract（参考訳）: 現在の確率的プログラミング言語やツールは、モデル表現を特定の推論アルゴリズムと密結合させ、新しい表現や混合離散連続モデルによる実験を妨げている。本稿では,5つの基本演算を基本表現によらず,因子を操作するための普遍的なインタフェースとして機能する因子抽象化を導入する。これにより、ユーザーは異なる表現(例えば、離散テーブル、ガウス分布、サンプルベースアプローチ)を単一の統一フレームワーク内で自由に混合することができ、現在のツールキットが適切に表現できない複雑なハイブリッドモデルにおいて実用的な推論が可能になる。

関連論文リスト

Approximate Bayesian Inference via Bitstring Representations [15.754246455963907]
本稿では,表現によって生成される量子化された離散パラメータ空間において確率的推論を実行することを提案する。この研究は、確率計算の離散近似を利用して、スケーラブルで解釈可能な機械学習を前進させる。
論文参考訳（メタデータ） (2025-08-19T08:08:17Z)
Multitask Learning with Stochastic Interpolants [16.944178625402024]
本研究では,フローと拡散モデルの時間ダイナミクスを広く一般化した確率分布間のマップ学習フレームワークを提案する。我々は,スカラー時間変数をベクトル,行列,線形演算子に置き換えることで補間を一般化する。このアプローチにより、タスク固有のトレーニングを使わずに複数のタスクをこなせる汎用的な生成モデルの構築が可能となる。
論文参考訳（メタデータ） (2025-08-06T16:25:19Z)
Efficient Fairness-Performance Pareto Front Computation [45.088727439928704]
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)
Diffusion models for probabilistic programming [56.47577824219207]
拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
論文参考訳（メタデータ） (2023-11-01T12:17:05Z)
Interpretable time series neural representation for classification purposes [3.1201323892302444]
提案したモデルは、一貫した、離散的で、解釈可能で、可視化可能な表現を生成する。実験の結果,提案したモデルでは,複数のデータセットに対する他の解釈可能なアプローチよりも平均的に優れた結果が得られることがわかった。
論文参考訳（メタデータ） (2023-10-25T15:06:57Z)
Meaning Representations from Trajectories in Autoregressive Models [106.63181745054571]
入力テキストを拡張可能なすべてのトラジェクトリの分布を考慮し,自己回帰言語モデルから意味表現を抽出する。この戦略はプロンプトフリーであり、微調整は必要とせず、事前訓練された自己回帰モデルにも適用できる。我々は,大規模なモデルから得られた表現が人間のアノテーションとよく一致し,意味的類似性タスクにおける他のゼロショットおよびプロンプトフリーメソッドよりも優れており,標準埋め込みが扱えないより複雑なエンタテインメントや包含タスクの解決に使用できることを実証的に示す。
論文参考訳（メタデータ） (2023-10-23T04:35:58Z)
Exact Bayesian Inference on Discrete Models via Probability Generating Functions: A Probabilistic Programming Approach [7.059472280274009]
離散統計モデルに対する正確なベイズ推定法を提案する。我々は、離散的かつ連続的なサンプリング、離散的な観察、アフィン関数、(確率的な)分岐、離散的な事象の条件付けをサポートする確率的プログラミング言語を使用する。我々の推論手法は確実に正確で完全に自動化されている。
論文参考訳（メタデータ） (2023-05-26T16:09:59Z)
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)
Low-Rank Constraints for Fast Inference in Structured Models [110.38427965904266]
この研究は、大規模構造化モデルの計算とメモリの複雑さを低減するための単純なアプローチを示す。言語モデリング,ポリフォニック・ミュージック・モデリング,教師なし文法帰納法,ビデオ・モデリングのためのニューラルパラメータ構造モデルを用いた実験により,我々の手法は大規模状態空間における標準モデルの精度と一致することを示した。
論文参考訳（メタデータ） (2022-01-08T00:47:50Z)
Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文参考訳（メタデータ） (2021-10-20T12:25:22Z)
flip-hoisting: Exploiting Repeated Parameters in Discrete Probabilistic Programs [25.320181572646135]
本稿では、離散確率的プログラムにおいて繰り返しパラメータを分解し、推論性能を向上させるプログラム解析とそれに伴う最適化について述べる。既存の確率型プログラミング言語でフリップホスティングを実装し,推論性能が著しく向上することを示す。
論文参考訳（メタデータ） (2021-10-19T22:04:26Z)
PSD Representations for Effective Probability Models [117.35298398434628]
最近提案された非負関数に対する正半定値(PSD)モデルがこの目的に特に適していることを示す。我々はPSDモデルの近似と一般化能力の両方を特徴付け、それらが強い理論的保証を享受していることを示す。本研究では,PSDモデルの密度推定,決定理論,推論への応用への道を開く。
論文参考訳（メタデータ） (2021-06-30T15:13:39Z)
Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
論文参考訳（メタデータ） (2021-05-14T06:58:44Z)

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。