用于结构学习的可处理不确定性
机器学习
2022-07-05 v2 人工智能
机器学习
摘要
贝叶斯结构学习可捕捉负责生成给定数据的因果有向无环图（DAG）上的不确定性。本文提出结构学习可处理不确定性（TRUST），一种基于概率电路作为后验信念表示的近似后验推断框架。与基于样本的后验近似不同，我们的表示能捕捉更丰富的 DAG 空间，同时可通过一系列有用推断查询对不确定性进行可处理推理。我们实证展示了概率电路如何用作结构学习方法的增强表示，从而提升推断结构与后验不确定性的质量。条件查询回答上的实验结果进一步展示了 TRUST 表示能力的实际效用。
引用
@article{arxiv.2204.14170,
title = {Tractable Uncertainty for Structure Learning},
author = {Benjie Wang and Matthew Wicker and Marta Kwiatkowska},
journal= {arXiv preprint arXiv:2204.14170},
year = {2022}
}
备注
ICML 2022 (long talk); 20 pages