Qualitative global sensitivity analysis for probabilistic circuits (2023)
- Authors:
- Autor USP: LLERENA, JULISSA GIULIANA VILLANUEVA - IME
- Unidade: IME
- Sigla do Departamento: MAC
- DOI: 10.11606/T.45.2023.tde-25092023-112802
- Assunto: MODELOS PARA PROCESSOS ESTOCÁSTICOS
- Keywords: Análise de sensibilidade; Circuitos probabilisticos; Circuitos probabilisticos credais; Credal probabilistic circuits; Dados faltantes não ignoráveis; Non-ignorable missing data; Probabilistic circuits; Sensitivity analysis
- Agências de fomento:
- Language: Inglês
- Abstract: Um Circuito Probabilístico (CP) é um modelo generativo expressivo que codifica uma distribuição de probabilidade através de uma estrutura de somas ponderadas, produtos e distribuições univariadas ou multivariadas. Sujeitos a algumas restrições, os CPs são tratáveis para varias classes de consultas. Os exemplos mais populares de CPs são Redes de Soma-Produto, Diagramas de Decisão Sentenciais Probabilísticos e Florestas Aleatórias Gerativas. Esses modelos têm mostrado desempenho competitivo em diversas tarefas de aprendizado de máquina. Apesar do relativo sucesso dos CPs, vários problemas podem afetar a qualidade de suas previsões. Neste trabalho, nos concentramos em duas questões relevantes. (i) CPs com um alto número de parâmetros e dados escassos podem produzir inferências não confiáveis e com excesso de confiança. (ii) Abordagens típicas tratam dados faltantes por marginalização ou heuristicamente, assumindo que o processo de falta é ignorável ou não informativo; no entanto, os dados geralmente estão ausentes de maneira não ignorável, o que introduz viés na previsão se não for tratado adequadamente. Para resolver essas questões, desenvolvemos dois algoritmos baseados em Circuitos Probabilísticos Credais, que são conjuntos de CPs obtidos pela perturbação simultânea de todos os parâmetros do modelo (com a estrutura do modelo fixa). Nosso primeiro algoritmo realiza uma análise de sensibilidade global qualitativa nos parâmetros do modelo, medindo avariabilidade das previsões para perturbações dos pesos do modelo. Para mitigar o segundo problema, propomos um procedimento para realizar inferência preditiva tratável sob dados ausentes não ignoráveis. Avaliamos nossos algoritmos em tarefas desafiadoras, como compleção de imagem, classificação multirótulo e classificação multiclasse
- Imprenta:
- Data da defesa: 20.07.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
LLERENA, Julissa Villanueva. Qualitative global sensitivity analysis for probabilistic circuits. 2023. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-25092023-112802/. Acesso em: 22 jul. 2024. -
APA
Llerena, J. V. (2023). Qualitative global sensitivity analysis for probabilistic circuits (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/45/45134/tde-25092023-112802/ -
NLM
Llerena JV. Qualitative global sensitivity analysis for probabilistic circuits [Internet]. 2023 ;[citado 2024 jul. 22 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-25092023-112802/ -
Vancouver
Llerena JV. Qualitative global sensitivity analysis for probabilistic circuits [Internet]. 2023 ;[citado 2024 jul. 22 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-25092023-112802/ - Multi-label classification based on sum-product networks
- Efficient algorithms for robustness analysis of maximum a posteriori inference in selective sum-product networks
- Cautious classification with data missing not at random using generative random forests
- Tractable classification with non-ignorable missing data using generative random forests
- Efficient predictive uncertainty estimators for deep probabilistic models
- Tractable inference in credal sentential decision diagrams
- Robust analysis of MAP inference in selective sum-product nNetworks
Informações sobre o DOI: 10.11606/T.45.2023.tde-25092023-112802 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas