Neural Permutation Processes

Ari Pakman, Yueqi Wang, Liam Paninski

פרסום מחקרי: פרסום בכתב עתמאמר מכנסביקורת עמיתים

תקציר

We introduce a neural architecture to perform amortized approximate Bayesian inference over latent random permutations of two sets of objects. The method involves approximating permanents of matrices of pairwise probabilities using recent ideas on functions defined over sets. Each sampled permutation comes with a probability estimate, a quantity unavailable in MCMC approaches. We illustrate the method in sets of 2D points and MNIST images.

שפה מקוריתאנגלית אמריקאית
כתב עתProceedings of Machine Learning Research
כרך118
סטטוס פרסוםפורסם - 1 ינו׳ 2019
פורסם באופן חיצוניכן
אירוע2nd Symposium on Advances in Approximate Bayesian Inference, AABI 2019 - Vancouver, קנדה
משך הזמן: 8 דצמ׳ 2019 → …

ASJC Scopus subject areas

  • ???subjectarea.asjc.1700.1702???
  • ???subjectarea.asjc.1700.1712???
  • ???subjectarea.asjc.2200.2207???
  • ???subjectarea.asjc.2600.2613???

טביעת אצבע

להלן מוצגים תחומי המחקר של הפרסום 'Neural Permutation Processes'. יחד הם יוצרים טביעת אצבע ייחודית.

פורמט ציטוט ביבליוגרפי