基于剪枝的概率电路描述提取
人工智能
2024-06-06 v2
摘要
概念学习是一项通用任务，在多个领域有应用。作为一个激励性示例，我们考虑音乐播放列表生成的应 用，其中播放列表被表示为一个概念（例如“放松音乐”）而非固定的歌曲集合。在这项工作中，我们使用概率电路从正标注和无标注示例中学习概念。尽管这些电路为该任务提供了一种吸引人的易处理模型，但领域专家难以检查和分析它们，这阻碍了它们在某些应用中的使用。我们提议通过将学习到的概率电路转换为一个基于逻辑的判别模型来解决此问题，该模型覆盖电路的高密度区域。即那些被电路分类为肯定属于所学概念的区域。作为该方法的一部分，我们提出两项贡献：PUTPUT，一种从概率电路中剪枝低密度区域同时考虑 F1-score 和一种我们称为聚合熵的新提出描述长度的算法。我们的实验证明了我们的方法在提供判别模型方面的有效性，在音乐播放列表生成任务和类似数据集上优于竞争对手。
引用
@article{arxiv.2311.13379,
title = {Pruning-Based Extraction of Descriptions from Probabilistic Circuits},
author = {Sieben Bocklandt and Vincent Derkinderen and Koen Vanderstraeten and Wouter Pijpops and Kurt Jaspers and Wannes Meert},
journal= {arXiv preprint arXiv:2311.13379},
year = {2024}
}