sum-product networks | BriefGPT

关键词sum-product networks

搜索结果 - 16

KDD自顶向下的贝叶斯后验抽样在和积网络中的应用
通过导出一种新的 Gibbs 采样的全部条件概率，通过边际化多个随机变量来快速获得后验分布，我们提出了一种可用于大规模 sum-product networks 的贝叶斯学习方法，同时还提出了一种超参数调优方法，通过在大规模 sum-pro
PDF18 days ago
IJCAI考虑可交换性的求和 - 乘积网络
该论文提出了一种新的概率模型，称为 Exchangeability-Aware Sum-Product Networks (XSPNs)，它结合了 Sum-Product Networks 和 mixtures of exchangeabl
PDF3 years ago
SPFlow：一个易于扩展的库，用于使用 Sum-Product 网络进行深度概率学习
SPFlow 是一个开源 Python 库，提供深度和可计算概率模型称为 Sum-Product Networks（SPNs）的推理、学习和操作例程的简便接口。它不仅实现了几种概率推理例程，还提供了序列化、绘图和结构统计的实用程序。此外，S
PDF5 years ago
ICML使用和积网络学习深层高斯过程专家混合模型
本文介绍通过将高斯过程嵌入可计算的和积网络中，实现灵活的先验函数分布，从而实现计算和内存高效、容易实施后验推理的概率回归模型。
PDF6 years ago
使用随机和积网络的概率深度学习
本文提出了一种新的基于 SPN 和深度神经网络的概率深度学习模型，称为 RAT-SPNs，该模型具有充分评估数据似然，任意边缘化和条件任务的优势，并且仍然可解释为生成模型，并保持了良好的校准不确定性，从而使其高度鲁棒性和自然地检测异常值和独
PDF6 years ago
ICMLStrassenNets：带有乘法预算的深度学习
本研究介绍了一种使用二层求和乘积网络（SPN）的方法，通过学习从数据中的边缘权重（三元）来获得深度神经网络（DNN）层中矩阵乘法的低成本近似，同时应用知识蒸馏，实现对 DNN 中乘法操作数量的预算，从而在保持预测性能的同时，实现乘法操作数量
PDF7 years ago
安全的半监督求和 - 积网络学习
介绍了使用半监督学习来学习 Sum-Product Networks 的参数，并证明该方法具有计算效率高、不强制要求数据分布、能保证性能、可以进行生成和判别学习等多种优势.
PDF7 years ago
Sum-Product Networks 的最大后验推断的近似复杂度
探讨了在总和 - 乘积网络中近似最大后验推断的计算复杂性，证明了在高度为 2 和 3 的树状网络中，这一问题都是 NP 难问题，并提出了一种比传统算法更优秀的简单算法。
PDF7 years ago
带高斯叶子节点的总积网络在线结构学习
本文介绍了一种在线学习连续 SPN 与高斯叶的结构和参数的技术，使得 sum-product 网络的结构学习和参数学习更为便捷。
PDF7 years ago
和积定理：可学习可计算模型的基础
文章介绍了将 sum-product networks 扩展到更广泛的学习问题并确保可解，同时应用于结构化预测问题上取得了很好的效果，实验表明模型学习的可行性和广泛性。
PDF8 years ago
移动机器人的深度生成空间模型学习
我们提出了一个新的概率框架，允许移动机器人自主学习跨越多个抽象层次的环境的深度生成模型。
PDF8 years ago
ICLR用于实际应用的最小化和积网络学习方法
本研究介绍了一种名为 MiniSPN 的简化版本的 LearnSPN 算法，它可以快速地处理在实际应用中常见的缺失数据和异构特征，实验表明在两个具有高缺失率和混合离散和连续特征的 Google 知识图谱和标准基准数据集上 MiniSPN 表
PDF8 years ago
关于和积网络中潜在变量的解释
本文提出了一种 SPN 增强方法，将 sum 节点解释为潜在变量（LVs），并指出以前的方法与 SPN 的完备条件冲突，未充分识别概率模型。作者给出了 SPN 的 EM 算法派生和 Viterbi 算法的正确性，同时在合成和 103 个真实
PDF8 years ago
NIPS学习和求解和积网络参数的统一方法
本文提出了一种统一的方法来学习 Sum-Product networks (SPNs) 的参数，在混合模型的角度下，我们表征了基于最大似然估计 (MLE) 原理的学习 SPNs 的目标函数，并展示了优化问题可以被转化为一个符号函数规划的形式
PDF9 years ago
ICMLSum-Product Networks 与贝叶斯网络之间的关系
本文研究和探讨了和 Sum-Product Networks 有关的 Bayesian Networks 的理论联系，并给出了使用 Algebraic Decision Diagrams 来表示和转换 SPN 为 BN 的一个线性时间和空间
PDF10 years ago
Sum-Product Networks: 一种新的深层网络结构
提出了一种新型深层架构 —— 求和积网络（SPN），通过学习和推理，SPNs 能够实现比标准深层网络更快和更准确的图形建模推理，例如在图像完成任务方面表现优异。
PDF12 years ago