한국어 초록
세포 수준에서 적응적 행동을 프로그래밍하는 것은 오랜 목표이며, 이는 생화학적 시스템에서 확률적 계산이 어떻게 구현될 수 있는지에 대한 질문을 제기한다. 화학 반응 네트워크(CRN)는 이러한 기질을 제공하며, 은닉 마르코프 모델(hidden Markov model)과 팩터 그래프(factor graph) 등 확률 모델을 구현할 수 있음이 보여졌고, 그 역학은 베이지안 추론(Bayesian inference)과 믿음 전파(belief propagation)를 재현한다. 그러나 이러한 알고리즘을 인코딩하는 데는 일반적으로 지나치게 큰 반응 네트워크가 필요하며, 고전적인 CRN 축소 기법은 직접 적용되지 않는다. Napp–Adams 컴파일 CRN에 인코딩된 팩터 그래프 구조를 복원함으로써, 최근 팩터 그래프 축소 결과를 화학적 구현으로 이식하여, 남은 변수들에 대한 믿음 전파 고정점을 보존하면서 훨씬 더 작은 CRN을 얻는다.
원문 초록
Programming adaptive behaviors at the cellular level is a long-standing goal that raises the question of how probabilistic computation can be implemented in biochemical systems. Chemical reaction networks (CRNs) provide such a substrate and have been shown to realize probabilistic models, including hidden Markov models and factor graphs, with dynamics reproducing Bayesian inference and belief propagation. However, encoding these algorithms typically requires prohibitively large reaction networks, and classical CRN reduction techniques do not directly apply. By recovering the factor graph structure encoded in Napp--Adams-compiled CRNs, we transport recent factor-graph reduction results to their chemical implementations, obtaining significantly smaller CRNs while preserving the belief-propagation fixed points on surviving variables.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.27737v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
인수분해 확률 분포의 비교 가능성 유도
Inducing Comparability of Factorised Probability Distributions
동일하지 않은 변수 집합 위에 정의된 두 확률 그래프 모델(probabilistic graphical model) 간의 원칙적인 비교를 가능하게 하려면, 이들을 공통의 가측 공간(measurable space)으로 끌어올려야 한다. 이를 위해 임의의 두 주어진 모델에 대한 확장 체계를 제안하고 형식적 기반을 확립한다: 맞지 않는 구성 요소는 조건부 균등(Laplace) 확장을 사용하여 보완하여, 결과적인 결합 분포가 원래 분포와 곱셈 상수(multiplicative constants)만큼만 다르고 투영(projection) 하에서 일치하도록 한다. 이는 확률적 의미(probabilistic semantics)를 보존하면서 잘 정의된 분포 불일치(distributional discrepancy) 측도를 적용할 수 있게 한다. 본 논문은 투영 하에서 유도된 결합 분포의 불변성을 확립하고, 확장을 이용하여 두 인수 그래프(factor graph)를 최소 구조적 확장으로 가장 작은 공통 가측 공간 및 공통 그래프 구조로 확장하는 결정적 알고리즘을 제공한다. 또한 구조적·측도론적(measure-theoretic) 성질을 논의하고 비교 방법론을 위한 유망한 기준을 식별한다.
리프트 인과 추론
Lifted Causal Inference
리프트 추론은 구별 불가능한 객체에 대한 대표자를 사용하여 확률적 그래프 모델에서의 구별 불가능성(indistinguishability)을 활용함으로써, 정확한 답을 유지하면서 질의 응답을 가속한다. 본 논문에서는 리프팅(lifting)을 관계(relational) 영역에서 인과 효과를 효율적으로 계산하는 데 어떻게 적용할 수 있는지 보여준다. 보다 구체적으로, 리프트 모델에 인과 지식을 통합하기 위해 모수적 인과 인자 그래프(PCFG)를 도입하고, 그 안에서의 개입(intervention)에 대한 형식적 의미론을 제시한다. 또한 리프트 수준에서 인과 효과를 계산하는 리프트 인과 추론(LCI) 알고리즘을 제시하여, 예를 들어 인과 베이즈 네트워크에서 명제적 추론에 비해 인과 추론을 획기적으로 가속한다. 아울러 부분적 인과 지식을 다루기 위해 PCFG의 일반화인 부분 방향 모수적 인과 인자 그래프(PD-PCFG)를 제시하고, LCI를 PD-PCFG에서 리프트 인과 추론을 수행하도록 확장하여, 인과 관계에 대한 사전 지식을 더 적게 요구하는 더 넓은 범위의 모델에 리프트 인과 추론의 적용 가능성을 넓힌다.
RANSAC 채점의 올바른 접근
RANSAC Scoring Done Right
인식론적 불확실성 평가: OOD 탐지와 능동 학습을 넘어서
Evaluating Epistemic Uncertainty: Beyond OOD Detection and Active Learning
베이지안 내쉬를 넘어서: 비대칭 정보 하의 적대적 팀 게임을 위한 미니맥스-후회 균형 학습
Beyond Bayesian Nash: Learning Minimax-Regret Equilibria for Adversarial Team Games under Asymmetric Information
Action-BED: 단일 intractable 목적을 갖는 태스크 기반 베이지안 실험 설계(BED)
Action-BED: Task-Driven Bayesian Experimental Design with Singly Intractable Objectives
베이지안 실험 설계(BED)는 전통적으로 사전(prior)에서 사후(posterior)로의 기대 불확실성 감소를 최대화하는 것에 기반해 왔다. 이 접근법의 주요 한계는 이중 intractable 목적함수로 이어져 최적화가 어렵다는 점이며, 관심 있는 특정 다운스트림 태스크에 맞게 맞춤화하는 것도 역시 어렵다. 1원칙 의사결정 이론에 따라, 우리는 BED를 다운스트림 행동(downstream actions)에 대한 기대 미래 손실(expected future loss, EFL)로 대안적으로 표현할 수 있음을 보인다. 이는 단순하고 자연스럽게 태스크 기반 프레임워크를 제공한다. 핵심적으로, 우리는 이러한 모든 EFL이 단일 intractable 목적함수로 재배치될 수 있으며, 확률적 그래디언트(stochastic gradients)를 사용해 설계 정책(design policy)과 다운스트림 행동 정책(downstream action policy) 모두에 대해 공동 최적화될 수 있음을 보인다. 우리는 이 접근법을 ACTION-BED라고 부른다. 이 공식화는 명시적인 사후(posterior) 또는 주변 가능도(marginal likelihood) 추정의 필요성을 추가로 우회하며, 자연스럽게 암시적(implicit) 방식으로, 모델 파라미터와 데이터에 대한 결합 모델(joint model)에서 샘플링하고 다운스트림 손실 함수를 평가하는 능력만 필요로 한다. 따라서 이는 기존 방법보다 더 효과적이고, 효율적이며, 간단하게 설계 정책을 학습할 수 있게 하면서, 서로 다른 다운스트림 태스크와 손실에 대한 쉬운 맞춤화를 제공한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.