論文の概要: Variance Computation for Weighted Model Counting with Knowledge Compilation Approach
- arxiv url: http://arxiv.org/abs/2601.03523v1
- Date: Wed, 07 Jan 2026 02:20:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-09 02:15:23.171761
- Title: Variance Computation for Weighted Model Counting with Knowledge Compilation Approach
- Title（参考訳）: 知識コンパイルによる重み付きモデルの変数計算
- Authors: Kengo Nakamura, Masaaki Nishino, Norihito Yasuda,
- Abstract要約: 重み付きモデルカウント(WMC)はベイズネットワークなどの様々なモデルに対する確率的推論に適用されている。
1つの可能なアプローチは、パラメータの分布を導入し、結果のばらつきを評価することで、推論結果をランダム変数とみなすことである。
本研究では,実世界のベイズネットワークにおける限界確率のばらつきを評価するアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 19.25442573044106
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the most important queries in knowledge compilation is weighted model counting (WMC), which has been applied to probabilistic inference on various models, such as Bayesian networks. In practical situations on inference tasks, the model's parameters have uncertainty because they are often learned from data, and thus we want to compute the degree of uncertainty in the inference outcome. One possible approach is to regard the inference outcome as a random variable by introducing distributions for the parameters and evaluate the variance of the outcome. Unfortunately, the tractability of computing such a variance is hardly known. Motivated by this, we consider the problem of computing the variance of WMC and investigate this problem's tractability. First, we derive a polynomial time algorithm to evaluate the WMC variance when the input is given as a structured d-DNNF. Second, we prove the hardness of this problem for structured DNNFs, d-DNNFs, and FBDDs, which is intriguing because the latter two allow polynomial time WMC algorithms. Finally, we show an application that measures the uncertainty in the inference of Bayesian networks. We empirically show that our algorithm can evaluate the variance of the marginal probability on real-world Bayesian networks and analyze the impact of the variances of parameters on the variance of the marginal.
- Abstract（参考訳）: 知識コンパイルにおける最も重要なクエリの1つは重み付きモデルカウント(WMC)であり、ベイズネットワークのような様々なモデルに対する確率的推論に適用されている。
推論タスクの実践的な状況において、モデルパラメータはデータからしばしば学習されるため不確実性を持ち、推論結果における不確実性の度合いを計算したい。
1つの可能なアプローチは、パラメータの分布を導入し、結果のばらつきを評価することで、推論結果をランダム変数とみなすことである。
残念ながら、そのような分散の計算のトラクタビリティはほとんど分かっていない。
そこで本研究では,WMCの分散の計算問題について考察し,そのトラクタビリティについて考察する。
まず、入力が構造化d-DNNFとして与えられるときのWMC分散を評価する多項式時間アルゴリズムを導出する。
第二に、構成されたDNNF、d-DNNF、FBDDに対するこの問題の難しさを証明し、後者の2つは多項式時間WMCアルゴリズムを許容するので興味深い。
最後に,ベイズネットワークの推論における不確実性を測定するアプリケーションを示す。
本研究では,実世界のベイズネットワークにおける限界確率の分散を評価し,パラメータの分散が限界確率の分散に与える影響を実験的に解析する。
関連論文リスト
- Contrastive Normalizing Flows for Uncertainty-Aware Parameter Estimation [0.0]
データから物理パラメータを推定することは、物理科学における機械学習(ML)の重要な応用である。
本稿では,HigsML Uncertainty Challengeデータセット上で最高のパフォーマンスを実現するContrastive Normalizing Flows(CNFs)に基づく新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-05-13T16:14:34Z) - Deep Operator Networks for Bayesian Parameter Estimation in PDEs [0.0]
本稿では,Deep Operator Networks (DeepONets) と物理インフォームドニューラルネットワーク (PINN) を組み合わせて偏微分方程式 (PDE) を解く新しいフレームワークを提案する。
データ駆動学習を物理的制約と統合することにより,多様なシナリオにまたがる堅牢で正確なソリューションを実現する。
論文 参考訳（メタデータ） (2025-01-18T07:41:05Z) - Unveiling the Statistical Foundations of Chain-of-Thought Prompting Methods [59.779795063072655]
CoT(Chain-of-Thought)の促進とその変種は、多段階推論問題を解決する効果的な方法として人気を集めている。
統計的推定の観点からCoTのプロンプトを解析し,その複雑さを包括的に評価する。
論文 参考訳（メタデータ） (2024-08-25T04:07:18Z) - Proximal Interacting Particle Langevin Algorithms [0.0]
PIPLAファミリーは、非微分可能潜在変数モデルにおけるパラメータ推定問題の事実上の選択である。
PIPLAファミリが非微分可能潜在変数モデルにおけるパラメータ推定問題のデファクト選択であることを示す。
論文 参考訳（メタデータ） (2024-06-20T13:16:41Z) - Partially factorized variational inference for high-dimensional mixed models [0.0]
変分推論は、特にベイズ的文脈において、そのような計算を行う一般的な方法である。
標準平均場変動推論は,高次元の後方不確かさを劇的に過小評価することを示した。
次に、平均場仮定を適切に緩和すると、不確実な定量化が高次元で悪化しない手法が導かれることを示す。
論文 参考訳（メタデータ） (2023-12-20T16:12:37Z) - Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳（メタデータ） (2023-11-09T23:32:06Z) - 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) - Statistical and Computational Trade-offs in Variational Inference: A
Case Study in Inferential Model Selection [27.817156428797567]
変分推論は、古典的マルコフ連鎖モンテカルロの代替として人気がある。
本研究では,変分推論における統計的および計算的トレードオフについて,推論モデル選択におけるケーススタディを用いて検討する。
計算予算が固定された場合、低ランク推論モデルは、高い統計的近似誤差を持つ変分後部を生成することを証明した。
論文 参考訳（メタデータ） (2022-07-22T17:16:05Z) - Marginal Inference queries in Hidden Markov Models under context-free
grammar constraints [0.348097307252416]
隠れモデル(HMM)における文脈自由文法(CFG)の可能性の計算問題に対処する。
問題は NP-Hard であり、CFG が 2 以下のあいまいさの次数を持つという約束があるにもかかわらずである。
次に,不明瞭なCFGの場合の確率を近似するために,完全ランダム化近似法を提案する。
論文 参考訳（メタデータ） (2022-06-26T12:44:18Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。
堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。
異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文 参考訳（メタデータ） (2020-07-21T08:18:06Z) - Neural Methods for Point-wise Dependency Estimation [129.93860669802046]
我々は,2つの結果が共起する確率を定量的に測定する点依存度(PD)の推定に焦点をあてる。
提案手法の有効性を,1)MI推定,2)自己教師付き表現学習,3)クロスモーダル検索タスクで示す。
論文 参考訳（メタデータ） (2020-06-09T23:26:15Z)
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。