Approximate Lifted Model Construction

要約

パラメトリックファクターグラフなどの確率的リレーショナルモデルは、オブジェクトの区別可能性を悪用することにより、効率的（持ち上げられた）推論を可能にします。
持ち上げられた推論では、区別できないオブジェクトの代表が計算に使用されます。
リレーショナル（つまり、持ち上げられた）表現を取得するために、高度な色の通過（ACP）アルゴリズムが最先端です。
ただし、ACPアルゴリズムでは、潜在的なベースの因子としてエンコードされた根本的な分布が必要であり、不動の区別機能を識別および悪用するために正確に一致します。
したがって、ACPは、関連するオブジェクトが区別できない場合でも、データから学習する可能性が必然的に逸脱する実用的なアプリケーションには適さない。
この問題を軽減するために、$ \ varepsilon $ advanced Color pass（$ \ varepsilon $ -ACP）アルゴリズムを紹介します。
$ \ varepsilon $ -ACPは、正確ではない差し止め能力を効率的に明らかにし、悪用します。
$ \ varepsilon $ -ACPによって誘導される近似誤差が厳密に境界が付けられていることを証明し、私たちの実験では、近似誤差が実際にはゼロに近いことを示しています。

要約(オリジナル)

Probabilistic relational models such as parametric factor graphs enable efficient (lifted) inference by exploiting the indistinguishability of objects. In lifted inference, a representative of indistinguishable objects is used for computations. To obtain a relational (i.e., lifted) representation, the Advanced Colour Passing (ACP) algorithm is the state of the art. The ACP algorithm, however, requires underlying distributions, encoded as potential-based factorisations, to exactly match to identify and exploit indistinguishabilities. Hence, ACP is unsuitable for practical applications where potentials learned from data inevitably deviate even if associated objects are indistinguishable. To mitigate this problem, we introduce the $\varepsilon$-Advanced Colour Passing ($\varepsilon$-ACP) algorithm, which allows for a deviation of potentials depending on a hyperparameter $\varepsilon$. $\varepsilon$-ACP efficiently uncovers and exploits indistinguishabilities that are not exact. We prove that the approximation error induced by $\varepsilon$-ACP is strictly bounded and our experiments show that the approximation error is close to zero in practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google