Optimal Junction Trees
Aalborg University(奥尔堡大学)
本文讨论了网络中更新信念的最优性问题。我们解决两个过程:三角剖分和连接树的建设。在第一部分中,我们给出了一个简单的算法,从一个三角网构建一个最佳的连接树。在第二部分中,我们认为,任何精确的方法的基础上,本地计算必须是效率低于连接树方法,或者它有一个最优性问题相当于三角剖分。
2013-02-27 cs.AI
From Influence Diagrams to Junction Trees
Aalborg University(奥尔堡大学)
我们提出了一种方法来制定的影响图决策问题的解决方案。这种方法涉及到一个特殊的三角形的底层图,建设一个具有特殊属性的连接树,和一个消息传递算法的连接树上的预期效用和最优决策策略的计算。
2013-02-27 cs.AI
Answering Hindsight Queries with Lifted Dynamic Junction Trees
University of Lübeck(吕贝克大学)
提升的动态连接树算法(LDJT)有效地回答过滤和预测查询的概率关系时态模型,通过建立,然后重用一个一阶聚类表示的知识库的多个查询和时间步长。我们扩展LDJT(i)解决平滑推理问题,以回答后见之明的查询,通过引入一个有效的向后通过和(ii)讨论不同的选项,以实例化一阶聚类表示在向后通过。此外,我们的关系向前向后算法使事后查询的一开始就可行。LDJT比展开模型上的静态提升连接树算法更快地回答多个时态查询,该算法在消息传递期间执行平滑。
2018-07-02 cs.AI
TreeTensor: Boost AI System on Nested Data with Constrained Tree-Like Tensor
TreeTensor通过受限树状结构提升AI系统在嵌套数据上的性能,提供高效且灵活的数据处理方法。
2026-02-12 cs.AI cs.SE
Preventing Unnecessary Groundings in the Lifted Dynamic Junction Tree Algorithm
Universität zu Lübeck(吕贝克大学)
提升的动态连接树算法(LDJT)有效地回答过滤和预测查询的概率关系时态模型,通过建立,然后重用一个一阶聚类表示的知识库的多个查询和时间步长。不幸的是,一个非理想的淘汰顺序可能会导致接地,即使一个模型的提升运行是可能的。我们扩展LDJT(i),以确定不必要的接地,同时进行的时间和(ii),以防止接地延迟消除通过时间的一阶聚类表示的变化。LDJT的扩展版本回答多个时间查询的数量级比原来的版本更快。
2018-07-02 cs.AI
On the Completeness and Complexity of the Lifted Dynamic Junction Tree Algorithm
University of Hamburg(汉堡大学)
本文首次对时序提升推理算法LDJT进行了完备性与复杂度分析,证明其时间推进中的消元顺序限制会影响域可提升性,并发现其提升宽度在更多情况下小于静态推理的树宽。
2024-05-31 cs.AI
Fusing First-order Knowledge Compilation and the Lifted Junction Tree Algorithm
University of Lübeck(吕贝克大学)
一阶结构的概率形式化推理的标准方法包括单次查询的提升变量消除(LVE)以及基于加权模型计数的一阶知识编译(FOKC)。为了有效地处理多个查询,提升连接树算法(LJT)使用模型的一阶聚类表示和LVE作为其计算中的子例程。对于某些输入,LVE的实现,以及因此LJT接地模型的FOKC具有提升运行的部分。本文的目的是准备LJT作为提升推理的骨干,并使用任何精确的推理算法作为子程序。在LJT中使用FOKC可以让我们在某些输入下比LJT、LVE和FOKC更快地计算答案。
2018-07-02 cs.AI
Nested Named Entity Recognition with Partially-Observed TreeCRFs
University of Edinburgh(爱丁堡大学);Alibaba Group(阿里巴巴集团)
命名实体识别(NER)是自然语言处理中的一个研究热点。然而,广泛使用的序列标记框架是难以检测实体的嵌套结构。在这项工作中,我们认为嵌套NER选区解析部分观察到的树和模型,它与部分观察到的TreeCRF。具体来说,我们将所有标记的实体跨度视为选区树中的观察节点,而其他跨度则视为潜在节点。使用TreeCRF,我们实现了一种统一的方式来联合建模观察节点和潜在节点。为了计算部分边缘化的部分树的概率,我们提出了一种内部算法的变体,\textsc{Masked Inside}算法,该算法支持不同的推理操作,为不同的节点(评估观察到的,边缘化的潜在的,并拒绝与观察到的节点不兼容)与有效的并行实现,从而显着加快训练和推理。实验表明,我们的方法实现了国家的最先进的(SOTA)F1分数的ACE2004,ACE2005数据集,并显示相当的性能SOTA模型的GENIA数据集。我们的方法在以下地点实施:\url{https://github.com/FranxYao/Partially-Observed-TreeCRFs}。
2020-12-15 cs.AI cs.CL cs.LG
A Time and Space Efficient Junction Tree Architecture
University College London(伦敦大学学院)
联合树算法是一种计算布尔多变量概率分布的边际的方法,它对随机变量集进行因子分解。联合树算法首先构造一棵树,称为联合树,其顶点是随机变量的集合。然后,该算法执行一个广义版本的联合树上的信念传播。Shafer-Shenoy和Hugin架构是执行这种信念传播的两种方式,以不同的方式权衡时间和空间复杂度:Hugin传播至少与Shafer-Shenoy传播一样快,并且在我们具有高度数的大顶点的情况下明显更快。然而,这种速度的增加是以增加的空间复杂度为代价的。本文首先介绍了一个简单的新颖的架构,STK-1,它具有两全其美:Hugin传播的速度和Shafer-Shenoy传播的低空间需求。一个更复杂的新的架构,n-2,然后介绍了,只有线性的任何顶点的最大基数的一个因素,时间和空间复杂度性至少一样好的n-1,在我们有大的顶点的情况下,高程度的显着快于n-1。
2014-12-23 cs.AI cs.LG
Clustering Without (Thinking About) Triangulation
University of Washington(华盛顿大学)
用于评估信念网络的无向技术[Jensen等人,1990年,Lauritzen和Spiegelhalter,1988年]要求将网络中的节点聚类到连接树中。在传统观点中,联合树是从道德化和三角化的信念网络的派系中构建的:三角化被视为原始概念,是任何聚类算法(例如节点消除)的目标。在本文中,我们提出了另一种概念的集群,其中集群和连接树属性扮演的角色的原语:给定一个图(不是树)的集群服从(修改版本)的连接树属性,我们转换这个图,直到我们得到一棵树。这种方法有几个优点:它更清晰,更容易理解,这对构建信念网络的人来说很重要;它允许更广泛的分类,这可能会实现更有效或更好的聚类算法;它作为增量聚类方案的自然基础,我们描述。
2013-02-20 cs.AI
Variational Approximations between Mean Field Theory and the Junction Tree Algorithm
RWCP, Theoretical Foundation SNN, University of Nijmegen(RWCP、SNN 理论基础、奈梅亨大学)
近年来,变分近似,如平均场近似受到了极大的关注。我们扩展了标准的平均场方法,通过使用一个近似的分布,分解成集群潜力。这包括无向图,有向无环图和连接树。我们推导了优化团簇势的广义平均场方程。我们表明,该方法的桥梁之间的差距标准的平均场近似和精确的连接树算法。此外,我们解决的问题,如何选择的图形结构的近似分布。从广义平均场方程,我们推导出规则,以简化结构的近似分布在不影响质量的近似。我们还展示了该方法如何适合于目前流行的其他一些变分近似。
2013-01-16 cs.AI cs.LG stat.ML
Myopic Value of Information in Influence Diagrams
DINA Skejby(DINA 斯基比);The Danish Agricultural Advisory Centre(丹麦农业咨询中心)
我们提出了一种基于强连接树框架(Jensen,Jensen & Dittmer,1994)计算影响图(Howard & Matheson,1981)中信息近视值的方法。影响图中实例化顺序的差异通过机会节点被边缘化的顺序反映在相应的连接树中。这种边缘化的顺序可以通过表扩展来改变,并且实际上,具有扩展表的相同连接树可以用于计算具有不同实例化顺序的场景的预期效用。我们还比较了我们的方法在同一影响图中不同的实例化顺序建模的经典方法。
2013-02-06 cs.AI
A Junction Tree Framework for Undirected Graphical Model Selection
Rice University(莱斯大学);University of Wisconsin - Madison(威斯康星大学麦迪逊分校)
无向图模型是在无向图G* 上定义的联合概率分布,其中图中的顶点索引了随机变量的集合,而边对随机变量之间的条件独立关系进行编码。无向图模型选择(UGMS)问题是在给定无向图模型的观测值的情况下,对图G* 进行估计。本文提出了一个框架,用于将UGMS问题分解为多个子问题的集群和子集的分离器在一个联合树。使用包含G* 中的边的超集的图来构造连接树。我们强调了UGMS使用连接树的三个主要特性。首先,可以使用不同的正则化参数或不同的UGMS算法来学习图的不同部分。这是可能的,因为我们识别的子问题可以相互独立地解决。第二,在一定条件下,基于联合树的UGMS算法可以产生一致的结果与较少的观察比现有算法的通常要求。第三,我们的理论和实验结果都表明,连接树框架在寻找图中的最弱边方面比现有方法做得更好。该性质是第一和第二性质两者的结果。最后,我们注意到,我们的框架是独立的UGMS算法的选择,可以用作包装周围的标准UGMS算法更准确的图估计。
2013-12-02 cs.AI cs.IT math.IT