可塑张量网络用于可解释生成建模
机器学习
2025-07-02 v2 统计力学
摘要
提出一种针对单个层非负自适应张量树(NATT)的结构优化方案，用于建模目标概率分布，作为生成建模的另一种范式。NATT方案在构造上自动搜索最适合给定离散数据集(其特征作为输入)的树结构，具有解释性概率图模型的优势。我们考虑NATT方案和最近提出的Born机器自适应张量树(BMATT)优化方案，并在各种生成建模任务中展示其有效性，其中目标是从提供的数据集中推断隐藏结构。我们的实验表明，针对最小化负对数似然性，单层方案的模型性能相当于Born机器方案，尽管不更好。任务包括推断二进制位运算的结构、仅从可见站点学习随机贝叶斯网络的内部结构，以及与层次聚类相关的实际示例，其中从线粒体DNA序列构建树状图。为此，我们还展示了网络拓扑选择和少量互信息准则在选择张量树候选结构方面的重要性，以及这些张量树生成模型的其他方面，包括其信息内容和可解释性。
引用
@article{arxiv.2504.06722,
title = {Plastic tensor networks for interpretable generative modeling},
author = {Katsuya O. Akamatsu and Kenji Harada and Tsuyoshi Okubo and Naoki Kawashima},
journal= {arXiv preprint arXiv:2504.06722},
year = {2025}
}
备注
18 pages, 17 figures