Feb, 2024

构建具有表达力且易于处理的概率生成模型：综述

PDF
TL;DR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。
tractable probabilistic generative modelingprobabilistic circuitsexpressivityalgorithmic extensionsdeep and hybrid pcs
发现论文，激发创造
  • 概率神经电路

    概率电路（PC）在最近几年中越来越受关注，作为一个灵活的框架，用于讨论支持可处理查询且足够表达复杂概率分布的概率模型。然而，可处理性是以牺牲表达力为代价的：PC 相较于神经网络来说表达能力较弱。在本文中，我们引入了概率神经电路（PNC），它在可处理性和表达能力方面在 PC 和神经网络之间取得平衡。从理论上讲，我们证明了 PNC 可以被解释为贝叶斯网络的深度混合。实验证明，PNC 是强大的函数逼近器。

    Mar, 2024

  • 从深度生成模型到可处理概率电路的精馏过程理解

    通过对深度生成模型知识的蒸馏，提出了新的 P-VAE 方法，该方法可以有效地提高准确性，并允许更广泛的应用，我们的结果表明，在几个基准图像数据集上，该方法比基准模型表现更好，特别是在 ImageNet32 数据集上，它取得了 4.06 位每维的结果，仅比变分扩散模型慢 0.34 位。

    Feb, 2023

  • 从概率电路中推导可理解的理论

    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

  • 通过凸优化实现具有约束条件的概率电路

    该研究通过将概率命题逻辑约束集成到概率电路所编码的分布中，提出了一种有效的方法来改善模型在数据稀缺或不完整情况下的性能，并在不损害模型适应性的同时，将机器学习公平性度量应用到模型中。

    Mar, 2024

  • 可处理电路模型的组合概率和因果推断

    介绍了一种新的结构形式 md-vtrees 来描述可分解概率电路中的决策概率，并展示了如何将其用于派生多项式时间算法，特别是在因果推理查询中。同时，提出了基于该结构的 MDNets 概率电路架构，并在因果推理中进行了实验验证。

    Apr, 2023

  • 通过修剪和生长来实现稀疏概率电路

    使用剪枝和增长方法，可以大幅提高概率电路的学习性能和模型容量使用效率。

    Nov, 2022

  • 可处理概率模型的连续混合

    本文提出了一种混合模型方法，将连续潜在空间的概率模型与可计算的概率电路相结合，用于密度估计，通过实验证明这种方法在许多标准密度估计基准测试中超越了以往的可计算模型。

    Sep, 2022

  • 概率电路的人类联合学习的统一框架

    基于概率电路，借助领域知识进行参数学习的新型统一框架，能够有效高效地优化数据驱动学习方法，并在多个基准和真实数据集上取得优异性能。

    May, 2024

  • 可计算概率电路的多项式语义

    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

  • 可扩展可计算概率电路：系统视角

    提出基于 GPU 的通用实现设计 PyJuice 改进了现有 Probabilistic Circuits 的系统，训练大规模 Probabilistic Circuits 时速度快 1-2 个数量级，占用 GPU 内存较少 2-5 倍。

    Jun, 2024