Context-Specific Likelihood Weighting

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F21%3A00351089" target="_blank" >RIV/68407700:21230/21:00351089 - isvavai.cz</a>

Výsledek na webu

<a href="http://proceedings.mlr.press/v130/kumar21b.html" target="_blank" >http://proceedings.mlr.press/v130/kumar21b.html</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Context-Specific Likelihood Weighting

Popis výsledku v původním jazyce

Sampling is a popular method for approximate inference when exact inference is impractical. Generally, sampling algorithms do not exploit contextspecific independence (CSI) properties of probability distributions. We introduce context-specific likelihood weighting (CS-LW), a new sampling methodology, which besides exploiting the classical conditional independence properties, also exploits CSI properties. Unlike the standard likelihood weighting, CS-LW is based on partial assignments of random variables and requires fewer samples for convergence due to the sampling variance reduction. Furthermore, the speed of generating samples increases. Our novel notion of contextual assignments theoretically justifies CS-LW. We empirically show that CS-LW is competitive with state-of-the-art algorithms for approximate inference in the presence of a significant amount of CSIs.

Název v anglickém jazyce

Context-Specific Likelihood Weighting

Popis výsledku anglicky

Sampling is a popular method for approximate inference when exact inference is impractical. Generally, sampling algorithms do not exploit contextspecific independence (CSI) properties of probability distributions. We introduce context-specific likelihood weighting (CS-LW), a new sampling methodology, which besides exploiting the classical conditional independence properties, also exploits CSI properties. Unlike the standard likelihood weighting, CS-LW is based on partial assignments of random variables and requires fewer samples for convergence due to the sampling variance reduction. Furthermore, the speed of generating samples increases. Our novel notion of contextual assignments theoretically justifies CS-LW. We empirically show that CS-LW is competitive with state-of-the-art algorithms for approximate inference in the presence of a significant amount of CSIs.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of Machine Learning Research

ISBN

—

ISSN

2640-3498

e-ISSN

2640-3498

Počet stran výsledku

10

Strana od-do

—

Název nakladatele

Proceedings of Machine Learning Research

Místo vydání

—

Místo konání akce

Virtual konference

Datum konání akce

13. 4. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000659893802056