可处理的布尔和算术电路
本文提供了一种形式基础,可以在其中比较 AC 的变体,从而使它们的各种属性的作用和语义更加透明。本文还为 AC 提供了新的结果,包括具有和没有确定性的 AC 之间的指数分离;完备性和不完备性结果;以及计算最可能的解释时 (MPEs) 的可处理性结果(或缺乏处理性结果)。
Aug, 2017
概率电路、多线性多项式、边缘推断、多项式语义和二元分布是该研究论文的五个关键词,论文证明了对于二元分布来说,这些概率电路模型在一定意义上等价,而且研究了一个称为概率生成电路的多项式语义在分类随机变量上的自然扩展,结果证明边缘推断变得 #P 难。
Feb, 2024
论文探讨了三个现代逻辑在人工智能中的作用,并以可处理的布尔电路理论为基础,这三个角色包括逻辑作为计算基础、逻辑用于从数据和知识的组合中进行学习和逻辑用于推理机器学习系统的行为。
Apr, 2020
本文提出了一种名为 PUTPUT(通过修剪基本逻辑理论进行概率电路理解)的方法,通过计算可理解的、可读的逻辑理论来改进概率电路的可解释性,并应用于一个真实的使用案例,即自动生成音乐播放列表并将其表示为可读(数据库)查询。评估结果表明,该方法能够有效地生成描述概率电路高密度区域的可理解的逻辑理论,并在性能和可理解性权衡方面优于现有方法。
Nov, 2023
在可计算的概率生成建模领域中,我们提出了一项综合调查,重点关注概率电路(Probabilistic Circuits)。我们对表现力和可计算性之间的固有权衡提供了统一的观点,并突出了构建具有表现力和高效性的概率电路的设计原则和算法扩展,同时提供了一个领域分类。我们还讨论了最近通过融合深度神经模型的概念来构建深层和混合概率电路的努力,并概述了可能指导未来研究的挑战和开放问题。
Feb, 2024
本文证明了对于确定性和可分解的布尔电路而言,SHAP 得分可以在多项式时间内计算,而将电路的其中一个属性删除,则计算 SHAP 得分问题将变得棘手(即 #P 难)
Jul, 2020
本文提出了一种称为逻辑电路的新分类模型,并证明其具有符号人工智能的独特起源,该模型通过局部搜索算法实现从数据中得到强有力的模型结构,且其参数学习是凸优化问题。在 MNIST 和时装数据集上,我们的学习算法胜过拥有数量级更多参数的神经网络。
Feb, 2019