【UAI 2019 Tutorials】可处理概率模型：表示、算法、学习和应用（Tractable Probabilistic Models: Representations, Algorithms, Learning, and Applications）

主题： Tractable Probabilistic Models: Representations, Algorithms, Learning, and Applications

摘要： 在本教程中，我们将提供一个丰富的TPM文献的额外说明，从有关混合和树模型的开创性工作开始，到最新的表示，如概率电路。在这样做的同时，我们将强调概率推理和学习中难处理性的来源，回顾不同可处理表示所采用的解决方案来克服它们，并讨论它们是如何权衡以保证可处理性的。此外，我们将放大当前最先进的胎压监测系统，分离并理解填充这一领域的模型（ACs、CNs、DNNFs、d-DNNFs、OBDDs、PSDDs、SDD、SPN等）的“字母汤”。我们将展示如何在一个统一的框架下将这些模型表示为概率电路，讨论哪些结构属性描述了每个模型类并实现了不同类型的可跟踪性。我们将讨论主要的算法范例，从数据中自动学习TPMs的结构和参数。最后，我们将展示几个成功的应用场景，其中TPMs被用作替代或与难处理模型结合使用，包括图像分类、完成和生成、场景理解、活动识别、语言和语音建模、生物信息学、协作过滤、验证和诊断。

邀请嘉宾：

Guy Van den Broeck，是加州大学洛杉矶分校计算机科学系的助理教授和Samueli研究员，负责指导统计和关系人工智能（StarAI）实验室。他的研究兴趣是机器学习（统计关系学习、可处理学习、概率编程），知识表示和推理（概率图形模型、提升概率推理、知识汇编、概率数据库）和一般人工智能。盖伊的作品获得了UAI、ILP和KR等主要人工智能领域的最佳论文奖，并在AAAI获得杰出论文荣誉奖。

Nicola Di Mauro，他自2005年起担任巴里奥尔多莫罗大学计算机科学系助理教授，是拉康实验室机器学习小组的成员。2005年，他在巴里-奥尔多-莫罗大学获得博士学位。他的主要研究方向是统计关系学习、概率深度学习和机器学习及其应用。

Antonio Vergari，他目前是加州大学洛杉矶分校（UCLA）StarAI实验室的博士后研究员，致力于整合可处理的概率推理和深度表示。此前，他是德国图宾根马克斯普朗克智能系统研究所的博士后，在那里，他致力于通过可处理的概率模型实现机器学习和数据科学的自动化。