Integrating Transformations in Probabilistic Circuits

要約

この研究は、確率回路の予測限界に対処し、それを克服するための救済策として変換を導入します。
この制限をロボットのシナリオで実証します。
私たちは、独立成分分析が確率回路の独立性を維持するための有効なツールであると考えています。
私たちのアプローチは、モデルフリーの決定論的回路である同時確率ツリーの拡張です。
これにより、提案されたアプローチは、7 つのベンチマーク データ セットおよび実際のロボット データの結合確率ツリーと比較して、より少ないパラメーターを使用しながら、より高い尤度を達成できることが実証されます。
さらに、変換をツリーベースの学習ルーチンに統合する方法についても説明します。
最後に、変換された分位点でパラメータ化された分布を使用した正確な推論は扱いにくいと主張します。
ただし、私たちのアプローチでは、効率的なサンプリングと近似推論が可能になります。

要約(オリジナル)

This study addresses the predictive limitation of probabilistic circuits and introduces transformations as a remedy to overcome it. We demonstrate this limitation in robotic scenarios. We motivate that independent component analysis is a sound tool to preserve the independence properties of probabilistic circuits. Our approach is an extension of joint probability trees, which are model-free deterministic circuits. By doing so, it is demonstrated that the proposed approach is able to achieve higher likelihoods while using fewer parameters compared to the joint probability trees on seven benchmark data sets as well as on real robot data. Furthermore, we discuss how to integrate transformations into tree-based learning routines. Finally, we argue that exact inference with transformed quantile parameterized distributions is not tractable. However, our approach allows for efficient sampling and approximate inference.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google