ترجمه فارسی مقاله شبکه‌های جمع‌آوری محصول: مدل‌های عمیق قابل ترمیم برای نمودارهای درختی

چکیده

Daily internet communication relies heavily on tree-structured graphs, embodied by popular data formats such as XML and JSON. However, many recent generative (probabilistic) models utilize neural networks to learn a probability distribution over undirected cyclic graphs. This assumption of a generic graph structure brings various computational challenges, and, more importantly, the presence of non-linearities in neural networks does not permit tractable probabilistic inference. We address these problems by proposing sum-product-set networks, an extension of probabilistic circuits from unstructured tensor data to tree-structured graph data. To this end, we use random finite sets to reflect a variable number of nodes and edges in the graph and to allow for exact and efficient inference. We demonstrate that our tractable model performs comparably to various intractable models based on neural networks.

چکیده به فارسی (ترجمه ماشینی)

ارتباطات روزانه اینترنت به شدت به نمودارهای ساختار یافته درخت متکی است ، که توسط قالب های داده محبوب مانند XML و JSON تجسم یافته است.با این حال ، بسیاری از مدلهای تولیدی اخیر (احتمالی) از شبکه های عصبی برای یادگیری توزیع احتمال بر روی نمودارهای چرخه ای غیر مستقیم استفاده می کنند.این فرض از یک ساختار نمودار عمومی چالش های محاسباتی مختلفی را به همراه می آورد ، و مهمتر از همه ، وجود غیرخطی در شبکه های عصبی امکان استنباط احتمالی قابل ردیابی را ندارد.ما با پیشنهاد شبکه های مجموعه ای از مجموعه ، به این مشکلات می پردازیم ، گسترش مدارهای احتمالی از داده های تانسور بدون ساختار به داده های نمودار ساختار یافته درخت.برای این منظور ، ما از مجموعه های محدود تصادفی استفاده می کنیم تا تعداد متغیر گره ها و لبه ها را در نمودار منعکس کنیم و استنباط دقیق و کارآمد را فراهم کنیم.ما نشان می دهیم که مدل قابل ردیابی ما نسبت به مدل های مختلف قابل تحمل بر اساس شبکه های عصبی عملکرد دارد.