选择自回归伊辛模型中的最优变量顺序
Selecting Optimal Variable Order in Autoregressive Ising Models
AI总结：
本文提出通过学习图结构来优化自回归伊辛模型中的变量顺序，以提高生成样本的保真度。
摘要：
自回归模型能够从学习的概率分布中进行可 tractable 的采样，但其性能严重依赖于在因子分解中使用的变量顺序，因为由此产生的条件分布的复杂性。我们提出学习描述底层数据的马尔可夫随机场，并利用推断出的图结构来构建优化的变量顺序。我们在二维图像样模型上展示了我们的方法，其中结构感知的顺序导致受限的条件集，从而减少模型复杂性。在具有离散数据的伊辛模型上的数值实验表明，图感知的顺序比朴素的变量顺序生成更高保真度的样本。
英文摘要：
Autoregressive models enable tractable sampling from learned probability distributions, but their performance critically depends on the variable ordering used in the factorization via complexities of the resulting conditional distributions. We propose to learn the Markov random field describing the underlying data, and use the inferred graphical model structure to construct optimized variable orderings. We illustrate our approach on two-dimensional image-like models where a structure-aware ordering leads to restricted conditioning sets, thereby reducing model complexity. Numerical experiments on Ising models with discrete data demonstrate that graph-informed orderings yield higher-fidelity generated samples compared to naive variable orderings.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
