- 基于结构化图模型和变压器的模型预测仿真
我们提出了一种基于 transformers 和概率图模型的多个相互作用代理(道路用户)轨迹模拟方法,并将其应用于 Waymo SimAgents 挑战。我们的方法基于 MTR 模型,使用先验知识编码因子来生成并改进轨迹预测,该模型通过执行 - 规划是哪种类型的推理?
该研究讨论了概率图模型的推理类型,探讨了在规划中使用的不同推理类型以及它们与具体近似或附加约束的关系,并提出了一种变分框架,用于解决在具有大规模状态空间的因式化状态马尔可夫决策过程中进行近似规划的问题。
- 因果游戏中干预行为的特性描述
通过在多智能体场景中回答因果询问的概率图模型,扩展因果贝叶斯网络以表示智能体的自由度和目标,放松可行干预的时间顺序限制,提出一种原始因果干预集合来研究复杂干预查询的影响,并通过考虑因果机制设计与承诺,展示到安全人工智能系统的设计。
- 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。
- 从不完整数据中学习分阶段树
该研究介绍了处理缺失数据的阶梯树学习算法,通过模型的全似然性能直接估计模型,证明了在学习阶梯树时考虑不同的缺失模式是可行的。
- 快速 PGM:快速概率图模型学习与推理
Fast-PGM 是一个高效且开源的库,支持概率图模型的学习和推理任务,提供计算和内存优化以及并行化技术,同时为开发者提供灵活的构建模块、详细的文档,并向非专业用户提供用户友好的界面,提高了概率图模型在不同专业水平用户之间的可用性。
- 张量网络与微分编程时代的概率推理
提出了基于张量网络的概率图模型推理任务解决方法,包括计算配分函数、计算模型中变量集的边缘概率、确定变量集的最可能赋值以及根据不同变量集边缘化后确定最可能赋值,并通过与量子技术的集成得到了明显的改进。
- 图学习的不确定性量化:一项综述
对图形模型中的不确定性进行量化的最新方法进行了概述,并将其组织为不确定性表示和处理方法,以加深对图形模型中不确定性量化方法的理解,从而提高其在关键应用中的效果和安全性。
- 关系域中的提升因果推断
利用参数因果因子图的抬升推断算法,在概率图模型中加速计算关系领域的因果效应。
- 因子图中可交换因子的高效检测
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。
- 脊髓肌肉萎缩症疾病建模的贝叶斯网络
利用概率图模型和贝叶斯推断研究分子基因表达与公共数据库,通过对脊髓肌肉萎缩全基因组关联研究结果进行案例研究和分析,将疾病发展的两个阶段中上调和下调的基因与公共领域中已发布的先前知识相关联,并创建和分析共表达网络,鉴定这些基因触发的分子通路。 - 概率图模型的近似蕴涵
本文研究了概率图模型中近似条件独立性的推断和验证问题,发现无向概率图并不能提供准确的条件独立性推断保证,而有向概率图可以通过 $d$-separation 算法准确推断近似条件独立性。此外,还提出了改进的近似保证方法和独立关系推断算法。
- 因子图神经网络
我们提出了一种能够有效捕捉高阶关系进行推理和学习的因子图神经网络模型,并通过适当选择信息聚合操作,实现了 Max-Product 和 Sum-Product 循环置信传播的单一架构。通过在真实和合成数据集上进行广泛的实验评估,证明了该模型的 - 使用 IBIA 框架的边缘近似推理
该论文提出了一种新的基于 IBIA 范例的算法,它通过使用启发式置信度更新算法来推断边际。该方法与现有的变分和采样方法相比,在多个基准测试数据集上具有更好或相当的准确性,并且运行时间更短。
- 神经网络作为无限树状概率图模型
本文提出了一种创新性的解决方案,通过构建无限树状 PGMs 来精确对应神经网络,发现 DNNs 在前向传播过程中实际上是精确的 PGM 推理的近似,这种直接的近似揭示了 DNNs 的精神内核。
- 重新审视结构化变分自编码器
通过现代机器学习工具来实现硬件加速、并行化和自动微分的消息传递算法,探讨并展示了 SVAE 模型的优势,从而表明现在是重新审视结构化变分自编码器的时候了。
- 学习细节:基于贝叶斯结构学习的实例级别
提出了一种新的概率图模型结构学习方法,通过在随机变量实例化级别上操作来学习,推广和解释在这些难以捉摸的领域中,从而解决机器学习方法在精度不尽如人意的情况下的问题,并且通过 Bayesian Knowledge Bases(BKBs)来利用 - 变分自编码器(VAE)理论基础和应用
本文介绍了一种基于神经网络的概率图模型 —— 变分自编码器(VAEs),它可以在潜在空间中对输入数据进行编码,并根据潜在变量进行重构以生成接近原始分布的新元素。
- LaMPP: 语言模型作为感知和行动的概率先验
使用自然语言处理模型,我们将标签和决策转化成基于概率图模型的推断,进而实现对语义分割、家庭导航和活动识别任务的精确预测,提高对于罕见、不常见以及结构新颖输入的预测能力。
- 神经图模型
本研究介绍了神经图模型,该模型采用神经网络作为多任务学习框架,通过表示节点之间的依赖结构及其复杂的函数表示来捕获特征之间的完整的复杂依赖关系,并提供 NGMs 的有效学习、推理和采样算法。NGMs 可以适应包括有向、无向和混合边缘图在内的通