Probabilistic Graphical Models
PulseAugur coverage of Probabilistic Graphical Models — every cluster mentioning Probabilistic Graphical Models across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
用于能源效率机器学习的新型热力学计算蓝图
研究人员提出了一个用于热力学计算的新蓝图，该蓝图利用物理硬件中的随机模拟过程来解决机器学习日益增长的能源和延迟需求。该方法侧重于基于能量的热力学计算，其中使用具有可调能量势的Langevin动力学来生成和采样基于能量的模型。该框架允许构建和训练各种机器学习模型，并使用随机模拟超导电路进行了初步的实验实现。
-
信息格学习被构建为概率图模型结构学习
一篇新论文将信息格学习（ILL）引入作为概率图模型（PGM）结构学习的一种方法。ILL通过将信号投影到抽象层次结构上，来学习可解释的规则。当应用于概率质量函数时，ILL学习到的规则可以被解释为因子图中的约束，这与最大熵模型密切相关。该框架为推理和混合符号-概率学习提供了新的途径。
-
新研究探讨用于公平性和隐私的合成数据生成
两篇研究论文探讨了以公平性和隐私为重点的合成数据生成（SDG）的新方法。第一篇论文重新审视了SDG中不同影响的概念，研究了近似和估计误差如何不成比例地影响不同群体，并提出了分组SDG模型以提高效用和公平性。第二篇论文介绍了一个不相交生成模型框架，将数据集分区进行单独生成，然后将它们组合起来而不使用通用标识符，这在保持效用的同时增强了隐私和计算可行性。
-
VEM算法可扩展至拟合拥有超过15,000个参数的大型非线性混合效应模型
研究人员探索了变分期望最大化（VEM）算法作为一种可扩展的方法，用于拟合非线性混合效应（NLME）模型，尤其是在处理大量参数时。该方法借鉴了概率图模型和变分自编码器的思想，为传统计算成本高昂的方法提供了一种高效的替代方案。该论文详细介绍了VEM在NLME中的应用，并使用Pumas统计软件展示了其处理拥有超过15,000个总体参数的模型的能力。
-
GNNs 实现离散结构构件状态的贝叶斯反演
研究人员开发了一个新的贝叶斯反演框架，使用概率图模型（PGMs）来推断结构构件的健康状态。该方法解决了高维离散状态参数的似然函数构建和边际似然计算中的挑战。该框架利用图神经网络（GNNs）进行推断，并采用基于图属性的训练策略，以确保在不同图尺度上的准确性并降低计算成本。