ترجمه فارسی مقاله GraphSpns: شبکه های محصولات جمع از سفارشات متعارف بهره مند می شوند

چکیده

Deep generative models have recently made a remarkable progress in capturing complex probability distributions over graphs. However, they are intractable and thus unable to answer even the most basic probabilistic inference queries without resorting to approximations. Therefore, we propose graph sum-product networks (GraphSPNs), a tractable deep generative model which provides exact and efficient inference over (arbitrary parts of) graphs. We investigate different principles to make SPNs permutation invariant. We demonstrate that GraphSPNs are able to (conditionally) generate novel and chemically valid molecular graphs, being competitive to, and sometimes even better than, existing intractable models. We find out that (Graph)SPNs benefit from ensuring the permutation invariance via canonical ordering.

چکیده به فارسی (ترجمه ماشینی)

مدل های تولیدی عمیق اخیراً پیشرفت چشمگیری در ضبط توزیع احتمال پیچیده بر روی نمودارها داشته اند.با این حال ، آنها غیرقابل تحمل هستند و در نتیجه قادر به پاسخگویی حتی ابتدایی ترین پرس و جوهای استنباط احتمالی بدون استفاده از تقریب نیستند.بنابراین ، ما شبکه های محصولات جمع آوری نمودار (GraphSpns) ، یک مدل تولیدی عمیق قابل تراکت را پیشنهاد می کنیم که استنتاج دقیق و کارآمد را بر روی نمودارهای (قطعات دلخواه) فراهم می کند.ما اصول مختلفی را بررسی می کنیم تا SPN ها را تغییر دهند.ما نشان می دهیم که GraphSPN ها قادر به تولید نمودارهای مولکولی جدید و شیمیایی معتبر هستند ، که با مدلهای غیرقابل تحمل موجود در رقابت و گاهی اوقات بهتر از آن هستند.ما می دانیم که (نمودار) SPN ها از اطمینان از عدم تغییر جابجایی از طریق سفارش متعارف بهره مند می شوند.