四个数量级加速的量子方法的概率推理开源

文章预览

Probabilistic Inference in the Era of Tensor Networks and Differential Programming 张量网络和微分编程时代的概率推理 https://arxiv.org/abs/2405.14060v1 https://github.com/TensorBFS/TensorInference.jl 同时降低了收缩的空间复杂度、时间复杂度和读写复杂度（读写操作的数量）。 四个数量级的加速：计算分区函数（PR）、给定证据的所有变量的边缘概率分布（MAR）、给定证据的所有变量的最可能赋值（MPE）以及在边缘化剩余变量后查询变量的最可能赋值（MMAP） 摘要 概率推理是现代机器学习中的一个基本任务。最近在张量网络（TN）收缩算法方面的进展使得开发更好的精确推理方法成为可能。然而，概率图模型（PGM）中的许多常见推理任务仍然缺乏相应的基于TN的适应性。在这项工作中，我们通过为以下推理任务制定和实现基于张量的解决方案， 推进了PGM和TN之间的联系 ：（i）计算 ………………………………