- 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。
- 关于概率电路中硬件高效推断的研究
用于边缘计算应用的概率电路的近似计算框架，通过低分辨率对数计算获得了高能效，实现了高达 357 倍和 649 倍的能源降低率，并且几乎没有计算错误。
- 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。
- 软学习概率电路
PC 模型是具有范围完全推理能力的显著可计算的概率模型，该论文主要关注用于训练 PC 模型的主要算法 LearnSPN，我们提出了一种名为 SoftLearn 的新的学习过程，通过软聚类过程诱导出一个 PC 模型，实验证明 SoftLear - ICLRCOLEP：基于概率电路的可保证鲁棒学习推理合规预测
通过概率电路建立可靠的学习推理一致性预测框架（COLEP），致力于在有界对抗扰动存在的情况下提供准确和高效的预测覆盖度，证明 COLEP 在不同数据集上的鲁棒一致性预测能力并实现了一定的提升。
- AAAI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 - 基于概率电路的可信度感知多模态融合
通过使用概率电路来进行预测分布的多模态融合，我们提出了一种可靠地推断可信度的融合方法，并在实验评估中证明了其与最先进方法在性能上的竞争力。
- 概率生成式电路 —— 揭秘
Zhang et al. introduced probabilistic generating circuits (PGCs) as a probabilistic model that unifies probabilistic cir - 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 - AAAI概率电路中边缘 MAP 的神经网络逼近器
近似推理是通过使用神经网络来近似代表大型概率分布，该方法通过在查询变量上使用连续多线性函数来近似赋值的代价，并通过神经网络输出解决方案。本论文通过在多个基准数据集上的评估表明，该方法在求解概率电路中的最大边后验和边后验最大估计任务时优于竞争 - 构建具有表达力且易于处理的概率生成模型：综述
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 - 特征电路
在复杂关系数据中，用概率电路的特点电路模型构建高维概率分布，弥补了复杂数据上的不确定性推理中的局限性，进而提出了特征电路作为一种适用于异构数据的可追溯概率模型。
- 通过可操作的扩散模型实现图像修复
本文提出了一种新的框架，利用可计算条件概率的 Tractable Probabilistic Models（TPMs）来指导扩散模型的去噪过程，从而改进了受限图像生成的质量和语义连贯性。同时，该方法能接受图像特定区域的语义约束，并推动更可控 - 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 - 概率积分电路
连续潜变量是许多生成模型的关键部分，我们通过引入概率积分电路（PICs）将概率电路（PCs）扩展为含有连续潜变量的符号计算图，实现了在简单情况下完全可计算的 PICs，并且通过数值积分可用大型 PCs 对 PICs 进行良好逼近，从而在几个 - 概率电路中的变换集成
通过引入转换作为一种解决方法，本研究探讨了概率电路的预测局限性，并展示了其在机器人场景中的局限性。我们提出独立成分分析作为保持概率电路独立性特性的有效工具，扩展了无模型确定性电路的联合概率树方法，实验证明我们的方法在七个基准数据集以及真实机 - 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。
- 概率电路的贝叶斯结构分数
本文提出了一种基于贝叶斯分数的确定性概率电路结构学习方法，其有效避免过拟合并实现快速准确的模型适配。
- 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 - 知道自己不知道的概率电路
本文研究了概率电路（PCs）的鲁棒性，并发现它们对于 OOD 数据并不鲁棒。为了解决这个问题，我们提出了一种可解释的辍学推理（TDI）方法，并通过一系列实验证明了其提高 PCs 对于分布变化和 OOD 数据的鲁棒性的性能。