Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Compression versus Accuracy: A Hierarchy of Lifted Models

Created by
  • Haebom

作者

Jan Speller, Malte Luttermann, Marcel Gehrke, Tanya Braun

概要

本論文は、区別不可能なオブジェクトとオブジェクトの間の関係を表現する確率的グラフィックモデルで、効率的な推論のために命題的因数分解モデルを圧縮する最先端のアルゴリズムであるAdvanced Colour Passing（ACP）を改善することを目的としています。 ACPは同様の分布を表す引数をグループ化します。しかし、適切なε値を見つけることが難しく、多くの試行錯誤を必要とし、ε値によってモデルが大きく異なり、解析性が低下するという問題点がある。したがって、この論文は、超パラメータがない階層的アプローチを提示します。この方法は、ε値の階層を効率的に計算してモデルの階層を生成する。つまり、特定のε値でグループ化された引数は、より大きなε値でもグループ化され続けます。このε値の階層は誤差限界の階層につながり、圧縮と精度のバランスを考慮してACPを実行するε値を選択し、異なるモデル間の解析性を向上させる。

Takeaways、Limitations

•
Takeaways:
◦
超パラメータ ε を探索することなく、効率的な Lifted inference のためのモデルを生成できます。
◦
ε値の階層を通じて、圧縮と精度の間のトレードオフを明示的に考慮することができます。
◦
異なるε値によるモデル間の解析性を向上させる。
◦
誤差制限の階層を提供し、モデル選択に対する信頼性を高める。
•
Limitations：
◦
提案された階層的アプローチの計算の複雑さの分析が不足している。
◦
様々な種類の確率的グラフィックモデルに対する一般化可能性の検証が必要である。
◦
実際の用途における性能評価および比較分析が不足している。
👍
Made with Slashpage