본 논문은 파라메트릭 팩터 그래프와 같은 확률적 관계 모델에서 효율적인 (lifted) 추론을 위해 객체의 구분 불가능성을 활용하는 방법을 다룹니다. 기존의 최첨단 알고리즘인 Advanced Colour Passing (ACP) 알고리즘은 잠재적인 요소의 분해가 정확히 일치해야 구분 불가능성을 식별하고 활용할 수 있다는 한계가 있습니다. 이러한 한계를 극복하기 위해, 본 논문에서는 잠재적인 요소의 편차를 허용하는 $\varepsilon$-Advanced Colour Passing ($\varepsilon$-ACP) 알고리즘을 제시합니다. $\varepsilon$-ACP는 정확하게 일치하지 않는 구분 불가능성까지 효율적으로 찾아 활용하며, $\varepsilon$-ACP에 의해 유도된 근사 오차가 엄격하게 제한됨을 증명하고 실험을 통해 실제로 근사 오차가 거의 0에 가까움을 보여줍니다.
시사점, 한계점
•
시사점:
◦
데이터에서 학습된 잠재적인 요소의 편차가 존재하는 실제 응용 환경에서도 효율적인 lifted 추론을 가능하게 합니다.
