ترجمه فارسی مقاله مدارهای احتمالی برای توابع توزیع تجمعی

چکیده

A probabilistic circuit (PC) succinctly expresses a function that represents a multivariate probability distribution and, given sufficient structural properties of the circuit, supports efficient probabilistic inference. Typically a PC computes the probability mass (or density) function (PMF or PDF) of the distribution. We consider PCs instead computing the cumulative distribution function (CDF). We show that for distributions over binary random variables these representations (PMF and CDF) are essentially equivalent, in the sense that one can be transformed to the other in polynomial time. We then show how a similar equivalence holds for distributions over finite discrete variables using a modification of the standard encoding with binary variables that aligns with the CDF semantics. Finally we show that for continuous variables, smooth, decomposable PCs computing PDFs and CDFs can be efficiently transformed to each other by modifying only the leaves of the circuit.

چکیده به فارسی (ترجمه ماشینی)

یک مدار احتمالی (PC) به طور خلاصه تابعی را بیان می کند که یک توزیع احتمال چند متغیره را نشان می دهد و با توجه به خصوصیات ساختاری کافی مدار ، از استنتاج احتمالی کارآمد پشتیبانی می کند.به طور معمول یک PC عملکرد احتمال جرم (یا تراکم) (PMF یا PDF) توزیع را محاسبه می کند.ما رایانه های شخصی را در عوض محاسبه عملکرد توزیع تجمعی (CDF) در نظر می گیریم.ما نشان می دهیم که برای توزیع بیش از متغیرهای تصادفی باینری ، این بازنمایی ها (PMF و CDF) اساساً معادل هستند ، به این معنا که می توان در زمان چند جمله ای به دیگری تبدیل شد.ما سپس نشان می دهیم که چگونه یک معادل مشابه برای توزیع بیش از متغیرهای گسسته محدود با استفاده از اصلاح رمزگذاری استاندارد با متغیرهای باینری که با معانی CDF هماهنگ است ، دارد.سرانجام ما نشان می دهیم که برای متغیرهای مداوم ، رایانه های شخصی صاف و تجزیه کننده محاسبه PDF و CDF می توانند با اصلاح فقط برگهای مدار به طور مؤثر به یکدیگر تبدیل شوند.