首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

图神经网络的概率图模型解释器

在本文中,作者提出了PGM-Explainer,一个针对 GNNs 的概率图模型(PGM) 的模型无关解释器。...相比之下,PGM 编码了丰富的图组件信息集合,可以潜在地支持我们分析每个组件对被检变量的贡献。例如,PGM能够告诉我们,某些被解释的特征只有在一些其它特征存在的情况下才能决定目标预测。...例如,在不知道E的任何邻域信息的情况下,PGM 解释近似预测E为 "紫色 "的概率为47.2%。如果 PGM 知道对节点A的预测及其实现,预测E为 "紫色 "的概率就会增加到65.8%。...给定 ,解释器可以在 的基础上学习PGM,而不是在原始的 个随机变量上学习 PGM。...此外,仅使用依赖性检验,可以计算 PGM 中所有节点 的 。因此,对于节点分类任务,PGM-Explainer 能够同时为许多目标预测生成批量解释。

1.9K10

​端到端传感器建模生成激光雷达点云

该方法使用深度神经网络模拟传感器回波信号,用极坐标网格图(Polar Grid Maps,PGM)对从实际数据中学习的回波脉冲宽度进行建模。...图5 极坐标网格图(PGM)是3D张量中的激光雷达全扫描的表示。全扫描由在PGM中编码的扫描点云组成。PGM的每个通道是2D网格图,其中每行表示水平激光雷达层。...每个PGM单元对应于扫描点,行和列的索引分别表示扫描点高度和方位角。单元格值表示相应扫描点的信息。在第一个PGM通道,该值保持扫描点距离,而第二个通道保持其类别。...如图6是来自单个激光雷达全扫描的PGM表示示意图(上部是深度表示,下部是点标注)。 ? 图6 来自模拟环境的输入是密集的标注点云,密集点云代表激光射线轮廓的离散表示,如图7所示。 ?...对于每次完整扫描,相应的PGM用作网络的输入。然后,通过一个三个下采样块组成的编码器,每个块有2个卷积层,3x3内核,后面是最大池化层。

1.4K30

论强化学习和概率推断的等价性:一种全新概率模型

概率图模型(PGM)为机器学习研究者提供了一种广泛适用的工具(Koller 和 Friedman,2009):该模型用概率理论表达整个学习问题,为原则目标的设计提供了一个一致、灵活的框架,建立了反映世界因果结构的模型...关键的是,在 PGM 框架下,写下模型并提出问题就足够了,学习和推理的目标会自动涌现。...所有这些方法都包括将控制或强化学习明确或隐含地表述为 PGM,然后部署来自 PGM 文献的学习和推理方法以解决由此产生的推理和学习问题。...在控制问题中利用图模型进行推断 在这一部分,我们将证明基础的图模型可以让我们在 PGM 框架中嵌入控制,并讨论该框架如何导出多种标准强化学习和动态编程方法的变体。...这部分展示的 PGM 对应标准强化学习问题的泛化,其中 RL 目标函数增加了一个熵项。奖励函数的量在奖励最大化和熵最大化之间进行权衡,使原始强化学习可以由无限大奖励值极限导出。

71330
领券