論文の概要: Lifted Model Construction under Approximate Commutativity

• arxiv url: http://arxiv.org/abs/2608.24713v1
• Date: Tue, 25 Aug 2026 15:32:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:35.064457
• Title: Lifted Model Construction under Approximate Commutativity
• Title（参考訳）: 近似通信によるリフテッドモデルの構築
• Abstract要約: 本稿では, 昇降モデル構築, 下流確率推定, および誘導近似誤差の厳密な境界を証明するために, 可換性をどのように活用するかを示す。 これらの理論的保証は実証的に確認され、低いランタイムで同等のクエリ精度を示す。
• 参考スコア（独自算出の注目度）: 5.629677133940586
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Lifted inference algorithms enable scalable probabilistic inference even for large object domains by leveraging the indistinguishability of objects in a probability distribution. An essential prerequisite for constructing a lifted representation is to identify commutative factors, i.e., functions whose output values are invariant under permutations of a subset of their input values, in a potential-based factorisation. In practice, however, parameters learned from data inevitably deviate even if associated objects are indistinguishable, causing their corresponding factors to be only approximately commutative instead of being exactly commutative. We address this problem by introducing the concept of ε-commutativity, a relaxation of commutativity where output values are only approximately invariant under permutations of input values. Specifically, we show how ε-commutativity can be exploited for lifted model construction, downstream probabilistic inference, and prove strict bounds on the induced approximation error, thereby ensuring the practical applicability of lifted model construction while maintaining highly accurate query results. These theoretical guarantees are confirmed empirically, demonstrating comparable query accuracy at lower runtime.
• Abstract（参考訳）: リフテッド推論アルゴリズムは、確率分布におけるオブジェクトの不明瞭さを活用することにより、大きなオブジェクトドメインに対してもスケーラブルな確率的推論を可能にする。 持ち上げ表現を構成するための必須条件は可換因子、すなわち、入力値の部分集合の置換の下で出力値が不変な関数をポテンシャルベースの分解で識別することである。 しかし、実際には、データから学習したパラメータは、たとえ関連オブジェクトが区別できないとしても必然的に逸脱し、対応する因子は正確に可換であるのではなく、ほぼ可換である。 入力値の置換の下では、出力値がほぼ不変であるような可換性の緩和であるε-可換性(ε-可換性)の概念を導入することでこの問題に対処する。 具体的には, 浮揚モデル構築, 下流確率推定, および誘導近似誤差の厳密な境界を証明し, 高精度なクエリ結果を維持しつつ, 浮揚モデル構築の実用性を確保する方法を示す。 これらの理論的保証は実証的に確認され、低いランタイムで同等のクエリ精度を示す。

関連論文リスト

• Propagation of~Interval Belief Structures and~Imprecise Copulas for~Neural Network Verification [1.5905165019585945]
  本稿では,不正確な確率情報に基づく定量的検証の枠組みを提案する。 我々は、不確かさをモデル化するために、間欠的信念構造を、不正確なコプラと境界不確実性を表すために組み合わせる。
  論文  参考訳（メタデータ） (2026-06-29T10:40:26Z)
• A Fiber Criterion for Representation Identifiability in Supervised Learning [0.0]
  教師付き学習は、その入出力行動を通じて予測器を評価する。 本稿では,結果の表現レベル識別可能性問題を定式化する。 その結果、表現レベルのクレームは、予測行動だけでなく、仮定、目的、測定、帰納的バイアスを必要とすることが明らかとなった。
  論文  参考訳（メタデータ） (2026-05-31T08:25:07Z)
• On the Detection of Commutative Factors in Factor Graphs: Necessary and Sufficient Conditions [4.503368323711748]
  我々は,最先端アルゴリズムの基盤となる理論的基礎を再検討し,可換因子を検出する。 上記の定理のわずかに修正されたバージョンを証明し、可換因子を特定するために必要な条件として機能する。 本稿では,精度を確保しつつ効率を保ちつつ,より厳密な最悪ケース境界を持つ補間アルゴリズムを導入する,最先端アルゴリズムの修正版を提案する。
  論文  参考訳（メタデータ） (2026-05-26T12:05:53Z)
• On the Sample Complexity of Learning for Blind Inverse Problems [8.091533689145908]
  ブラインド逆問題(Blind inverse problem)は、フォワード作用素が部分的にあるいは完全に未知な多くの実験的な設定で生じる。 データ駆動型アプローチは、強い経験的性能と適応性を示す、視覚的逆問題に対処するために提案されている。 線形最小平均正方形推定器の簡易かつ洞察力に富んだフレームワークにおいて、視覚的逆問題における学習に光を当てた。
  論文  参考訳（メタデータ） (2025-12-29T11:53:37Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• Probabilistic Lexical Manifold Construction in Large Language Models via Hierarchical Vector Field Interpolation [0.0]
  提案手法は,単語表現が位相的整合性に従属する確率関数空間を構築する。 確率制約は、文脈関係を洗練することによって語彙コヒーレンスを高め、複数の言語分布における意味的安定性を改善する。 計算効率の評価では、表現は小さな処理オーバーヘッドをもたらすが、構造化された表現学習アプローチは実用的展開にはスケーラブルである。
  論文  参考訳（メタデータ） (2025-02-14T08:47:10Z)
• 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)
• Equivariant Disentangled Transformation for Domain Generalization under Combination Shift [91.38796390449504]
  ドメインとラベルの組み合わせは、トレーニング中に観察されるのではなく、テスト環境に現れる。 我々は、同型の概念、同値性、および整合性の定義に基づく結合シフト問題の一意的な定式化を提供する。
  論文  参考訳（メタデータ） (2022-08-03T12:31:31Z)
• Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
  局所変換近傍における分類器の出力不変性の尺度を提案する。 私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。 画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
  論文  参考訳（メタデータ） (2022-07-05T14:55:16Z)
• Learning Disentangled Representations with Latent Variation Predictability [102.4163768995288]
  本稿では,潜在不整合表現の変動予測可能性について述べる。 逆生成プロセス内では、潜時変動と対応する画像対の相互情報を最大化することにより、変動予測可能性を高める。 本研究では,潜在表現の絡み合いを測るために,基礎的構造的生成因子に依存しない評価指標を開発する。
  論文  参考訳（メタデータ） (2020-07-25T08:54:26Z)

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。