論文の概要: Neural Bayesian Networks for Modular and Scalable Decision-Making Under Uncertainty

• arxiv url: http://arxiv.org/abs/2610.16902v1
• Date: Mon, 12 Oct 2026 14:54:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.391125
• Title: Neural Bayesian Networks for Modular and Scalable Decision-Making Under Uncertainty
• Title（参考訳）: 不確かさ下でのモジュラーおよびスケーラブルな意思決定のためのニューラルベイズネットワーク
• Abstract要約: ニューラルベイズネットワーク(NBN)を導入し,各条件が微分可能テンソル評価機構であることを示す。 NBN は BN のモジュラリティと局所的な機構を保持し、任意の学習可能な条件分布を表現できる。 また、NBNの学習と推論のためのPyTorchベースのライブラリであるNBNと、公開ベンチマークもリリースしています。
• 参考スコア（独自算出の注目度）: 1.6566053195631465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian Networks (BNs) are established tools for letting agents reason under uncertainty in sequential decision-making. They split a joint distribution into local conditional mechanisms arranged on a directed acyclic graph, which makes them modular, interpretable, and ready to perform probabilistic inference. Their classical formulation, however, has limitations in both expressiveness and scale: each conditional is usually stored as a table or a linear-Gaussian form, and inference evaluates the graph one node and one query at a time. In this paper we introduce Neural Bayesian Networks (NBNs), in which each conditional is a differentiable, tensor-valued mechanism, while the graph and its factorization are unchanged. NBNs retain the modularity and local mechanisms of BNs, can represent any learnable conditional distribution, and run natively on GPUs. We also release NBN, a PyTorch-based library for learning and inference in NBNs, together with a public benchmark. Our evaluation shows gains in both expressiveness and scale: NBNs fit distributions that classical BN libraries struggle to represent, and on large networks and large batches of queries they run two orders of magnitude faster thanks to GPU parallelization. NBN is available at https://github.com/Giovannibriglia/NeuralBayesianNetworks.
• Abstract（参考訳）: ベイズネットワーク(英: Bayesian Networks、BN)は、シーケンシャルな意思決定において、エージェントが不確実性の下で推論できるようにするための確立されたツールである。 彼らは共同分布を有向非巡回グラフ上に配置された局所的な条件機構に分割し、モジュラー化し、解釈可能で、確率的推論を実行する準備ができている。 しかしながら、それらの古典的な定式化は表現性とスケールの両方に制限があり、それぞれの条件は通常テーブルまたは線形ガウス形式として格納され、推論はグラフを1つのノードと1つのクエリで評価する。 本稿では,各条件が微分可能テンソル値を持つ機構であるニューラルベイズネットワーク(NBN)について述べる。 NBNはBNのモジュラリティと局所メカニズムを保持し、任意の学習可能な条件分布を表現でき、GPU上でネイティブに動作する。 また、NBNの学習と推論のためのPyTorchベースのライブラリであるNBNと、公開ベンチマークもリリースしています。 NBNは古典的なBNライブラリが表現に苦しむ分布に適合し、大きなネットワークや大量のクエリではGPU並列化によって2桁高速に実行される。 NBNはhttps://github.com/Giovannibriglia/NeuralBayesianNetworksで入手できる。

関連論文リスト

• Bayesian neural networks with interpretable priors from Mercer kernels [0.0]
  提案手法では,BNN が特定の GP に近似したサンプルを持つような,Mercurer priors と呼ばれる新しい BNN の事前クラスを導入する。 この方法は、共分散カーネルのマーサー表現からネットワークパラメータを直接的に定義することで機能し、特定の構造を持つネットワークに依存しない。
  論文  参考訳（メタデータ） (2025-10-27T18:25:21Z)
• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Neural Network Verification with Branch-and-Bound for General Nonlinearities [63.39918329535165]
  ブランチ・アンド・バウンド(BaB)は、ニューラルネットワーク(NN)検証において最も効果的な手法の一つである。 我々は、一般的な非線形性にBaBを実行し、一般的なアーキテクチャでNNを検証する汎用フレームワークGenBaBを開発した。 我々のフレームワークは、一般的な非線形グラフの検証を可能にし、単純なNNを超えた検証アプリケーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-31T17:51:07Z)
• Which Frequencies do CNNs Need? Emergent Bottleneck Structure in Feature Learning [10.45547307597104]
  本稿では,CNNにおけるConvolution Bottleneckの構造の出現について述べる。 ボトルネック内に保持される周波数の数と種類を記述したCBNランクを定義した。 パラメータノルムがほぼ最適である任意のネットワークは、両方の重みでCBN構造を示す。
  論文  参考訳（メタデータ） (2024-02-12T19:18:50Z)
• Entropy and the Kullback-Leibler Divergence for Bayesian Networks: Computational Complexity and Efficient Implementation [0.0]
  我々は、最も一般的な分布仮定の下で、シャノンのエントロピーと BN に対するクルバック・リーバーの発散を計算する方法を示す。 ガウス BN に対して、KL の計算複雑性を立方体から二次体に還元できることが示されている。
  論文  参考訳（メタデータ） (2023-11-29T15:51:04Z)
• Projected Stochastic Gradient Descent with Quantum Annealed Binary Gradients [51.82488018573326]
  重み付きニューラルネットワークのトレーニングに適した,新しいレイヤワイドオプティマイザであるQP-SBGDを提案する。 BNNは、深層学習モデルの計算要求とエネルギー消費を最小限の精度で削減する。 提案アルゴリズムは階層的に実装されており,リソース制限量子ハードウェア上での大規模ネットワークのトレーニングに適している。
  論文  参考訳（メタデータ） (2023-10-23T17:32:38Z)
• Towards Accurate Binary Neural Networks via Modeling Contextual Dependencies [52.691032025163175]
  既存のバイナリニューラルネットワーク(BNN)は主にバイナライズ機能を備えた局所畳み込みで動作する。 本稿では,二元系ニューラルモジュールの設計を新たに提案し,二元系ニューラルモジュールを大きなマージンで導く。
  論文  参考訳（メタデータ） (2022-09-03T11:51:04Z)

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。