Free Energy Manifold: Score-Based Inference for Hybrid Bayesian Networks

작성자

Haebom

카테고리

Empty

저자

Cheol Young Park, Shou Matsumoto

💡 개요

본 연구는 이산형 및 연속형 변수를 모두 포함하는 하이브리드 베이지안 네트워크에서의 추론을 위해 새롭게 제안된 스코어 학습 기반 조건부 에너지 모델인 Free Energy Manifold(FEM)를 소개합니다. FEM은 학습된 이산 부모 임베딩과 연속 관측값에 대한 에너지 지형으로 각 조건부 요소를 표현하여, 조건부 독립성 하에서 에너지 덧셈을 통해 사후 확률 평가, 생성 샘플링, 다중 연속 리프 전반의 구성 추론을 가능하게 합니다.

🔑 시사점 및 한계

•

새로운 모델 아키텍처: FEM은 하이브리드 베이지안 네트워크에서 복잡한 사후 확률 분포를 효율적으로 모델링할 수 있는 새로운 프레임워크를 제공합니다.

•

모드 브릿지 문제 해결: 기존 조건부 에너지 모델의 모드 브릿지 현상을 분석하고, 이를 완화하기 위한 밸리 정규화 기법을 제안하여 오프데이터 영역에서의 과신을 줄입니다.

•

성능 향상: 제안된 FEM은 합성 데이터셋 및 실제 데이터셋에서 기존 방법론 대비 KL 발산을 유의미하게 감소시키며, 특히 다봉분포 및 복잡한 구조에서의 추론에 강점을 보입니다.

•

한계점: FEM은 다봉분포 또는 구성적 추론이 필요한 경우에 가장 유용하며, 일반적인 분류 문제에서는 판별적 분류기가 여전히 더 나은 성능을 보일 수 있습니다.

PDF 보기

Made with Slashpage