因子图中可交换因子的高效检测

Mar, 2024

Efficient Detection of Exchangeable Factors in Factor Graphs

Malte Luttermann, Johann Machemer, Marcel Gehrke

TL;DR利用概率图模型中的对称性进行可行的概率推理，我们在这篇论文中介绍了一种高效地检测可交换因子的方法，称为 DEFT 算法，通过有效地减少排列的数量来显著降低检测两个因子是否可交换的计算代价。

Abstract

To allow for tractable probabilistic inference with respect to domain sizes, lifted probabilistic inference exploits symmetries in probabilistic graphical models. However, checking whether two factors encode equivalent semantics and hence are exchangeable is computationally expensive.

lifted probabilistic inference probabilistic graphical models exchangeable factors deft algorithm factor graph

发现论文，激发创造

DEFactor：基于可微边缘分解的概率图生成

本文提出了一种具有计算效率的模型，可用于条件图生成，可以在诸如药物发现之类的场景中进行优化，表现良好。

Nov, 2018

带有一些未知因子的提升因子图

使用代表不可区分对象的提升技术，本文研究了在概率图模型中如何有效地进行查询回答并保持精确答案；引入了 LIFAGU 算法以识别包含未知因子的因子图中对称子图，并实现已知势能向未知势能的传递，以确保良定义语义并进行（提升的）概率推断。

Jun, 2024

Do Finetti：对可交换数据的因果效应研究

在非独立同分布数据的情景中，我们研究因果效应的估计，重点关注满足独立因果机制假设的可交换数据。为了弥补现有因果效应估计框架的不足，我们开发了针对可交换数据的广义框架，并引入了截断因式分解公式，以促进在我们的情景中对因果效应的识别和估计。为了说明潜在的应用，我们介绍了一个因果泊利亚球模型，并展示了干预在可交换数据设置中如何传播效应。最后，我们开发了一个算法，可以在多环境数据中进行同时因果发现和效应估计。

May, 2024

基于因子图的符号检测神经增强

本文研究了因子图框架在线性符号干扰通道上的符号检测应用，并提出了利用神经增强的策略来改善循环因子图基于符号检测算法的性能的方法。特别是，在因子图中应用神经置信传播可有效消除循环的影响。此外，我们还提出了对信道输出的线性预处理应用和优化，可以有效地改变底层因子图，从而显著提高检测性能并降低复杂性。

Mar, 2022

针对有板因子图的张量变量消除

通过将无向因子图推广为 plated factor graphs 并将变量消除推广为在 plated factor graphs 上直接操作的张量变量消除算法，实现了对一类机器学习算法进行高效张量代数运算的能力。同时，将 tree width 算法的复杂度界限推广到 plated factor graphs 上，探究了推理的可行性。将本文方法应用到潜在变量离散模型中，提出了一种新颖的完整精确推理框架，并在多种可视化编程语言上进行了实验验证。

Feb, 2019

通过交换性实现可处理性：高效概率推断的新视角

论文研究了有限可交换性及其与可计算概率推断的关系，并指出现有的升级推理算法隐含着条件独立和部分可交换性的结合。

Jan, 2014

论可交换随机变量及大图与超图的统计

概述交换律、图论、超图论和遗传理论之间的联系，并解释它们在极端问题的测试性方面的应用。

Jan, 2008

概率逻辑编程的升级变量消除

本文提出 LP$^2$ 算法来解决概率逻辑编程中的查询问题。LP$^2$ 是通过将 Generalized Counting First Order Variable Elimination (GC-FOVE) 转换为 Prolog Factor Language (PFL) 实现的，并增加了两个新的操作符来处理异构因子。结果表明该方法有潜力超过 PITA 和 ProbLog2。

May, 2014

基于数据驱动因子图的盲信道估计与联合符号检测

我们研究了因子图框架在时间变化的线性符号间干扰信道上盲联合信道估计和符号检测的应用。我们提出了一种基于置信传播算法的后验概率的有效逼近方法，并通过交织后验传播和期望最大化算法的迭代，将检测复杂性进一步降低为每个期望最大化步骤的单个后验传播迭代。此外，我们还提出了一种数据驱动的算法版本，通过引入动量来更新后验传播，并学习合适的期望最大化参数更新调度，从而在少量离线训练样本的情况下显著提高性能与复杂性之间的权衡。数值实验证明了所提出的盲检测器的出色性能，甚至在高信噪比情况下优于相干后验传播检测。

Jan, 2024

傅里叶域的变量消除

本文研究在机器学习中广泛使用的图形模型中，一种基于离散傅里叶变换的紧凑表示方法，以及在这种表示方法下的概率分布的逼近方法。我们展示了这个理论结果的应用，并证明了它相对于传统的表示方法和其他逼近算法的显著优势。

Aug, 2015