可交换性感知的和积网络
机器学习
2022-04-29 v2 人工智能
机器学习
摘要
和积网络（SPNs）是具有表达力的概率模型，可提供精确且易处理推断。它们通过利用局部独立性实现这种效率。另一方面，可交换变量模型混合（MEVMs）是一类可处理概率模型，利用离散随机变量的可交换性使推断可处理。在关系域中自然出现的可交换性，尚未在 SPNs 的高效表示与推断中被考虑。本文的贡献是一种我们称之为可交换性感知的和积网络（XSPNs）的新型概率模型。它同时将 SPNs 和 MEVMs 作为特例包含，并结合了 SPNs 高效学习深度概率模型的能力与 MEVMs 高效处理可交换随机变量的能力。我们引入了 XSPNs 的结构学习算法，并经验性地表明，当数据包含重复的、可互换的部分时，它们可比传统 SPNs 更准确。
引用
@article{arxiv.2110.05165,
title = {Exchangeability-Aware Sum-Product Networks},
author = {Stefan Lüdtke and Christian Bartelt and Heiner Stuckenschmidt},
journal= {arXiv preprint arXiv:2110.05165},
year = {2022}
}
备注
accepted at IJCAI 2022