GraphSPNs：求和-积网络受益于规范排序
机器学习
2024-08-20 v1 人工智能
摘要
深度生成模型近期在捕捉图上的复杂概率分布方面取得了显著进展。然而，它们是不可处理的，因此即使是最基本的概率推理查询也无法在不借助近似的情况下回答。因此，我们提出了图求和-积网络（GraphSPNs），一种可处理的深度生成模型，能够对（图的任意部分）进行精确且高效的推理。我们研究了使 SPNs 具有置换不变性的不同原理。我们证明 GraphSPNs 能够（条件地）生成新颖且化学上有效的分子图，与现有的不可处理模型相比具有竞争力，有时甚至更优。我们发现 (Graph)SPNs 通过规范排序确保置换不变性而受益。
引用
@article{arxiv.2408.09451,
title = {GraphSPNs: Sum-Product Networks Benefit From Canonical Orderings},
author = {Milan Papež and Martin Rektoris and Václav Šmídl and Tomáš Pevný},
journal= {arXiv preprint arXiv:2408.09451},
year = {2024}
}