Buchumschlag

GraphSPNs: Sum-Product Networks Benefit From Canonical Orderings

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Papež, Milan, Rektoris, Martin, Šmídl, Václav, Pevný, Tomáš
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Sum-Product-Set Networks: Deep Tractable Models for Tree-Structured Graphs
von: Papež, Milan, et al.
Veröffentlicht: (2024)

Probabilistic Graph Circuits: Deep Generative Models for Tractable Probabilistic Inference over Graphs
von: Papež, Milan, et al.
Veröffentlicht: (2025)

Sparse Probabilistic Graph Circuits
von: Rektoris, Martin, et al.
Veröffentlicht: (2025)

Generating Likely Counterfactuals Using Sum-Product Networks
von: Nemecek, Jiri, et al.
Veröffentlicht: (2024)

Malicious Internet Entity Detection Using Local Graph Inference
von: Mandlik, Simon, et al.
Veröffentlicht: (2024)

Distillation of a tractable model from the VQ-VAE
von: Hadžić, Armin, et al.
Veröffentlicht: (2025)

Classification with Costly Features in Hierarchical Deep Sets
von: Janisch, Jaromír, et al.
Veröffentlicht: (2019)

Improving the Validity of Decision Trees as Explanations
von: Nemecek, Jiri, et al.
Veröffentlicht: (2023)

Tractable Probabilistic Graph Representation Learning with Graph-Induced Sum-Product Networks
von: Errica, Federico, et al.
Veröffentlicht: (2023)

Bias Detection via Maximum Subgroup Discrepancy
von: Němeček, Jiří, et al.
Veröffentlicht: (2025)

GEMSS: A Variational Bayesian Method for Discovering Multiple Sparse Solutions in Classification and Regression Problems
von: Henclová, Kateřina, et al.
Veröffentlicht: (2026)

Intersectional Fairness via Mixed-Integer Optimization
von: Němeček, Jiří, et al.
Veröffentlicht: (2026)

Convergence of Some Convex Message Passing Algorithms to a Fixed Point
von: Voracek, Vaclav, et al.
Veröffentlicht: (2024)

$χ$SPN: Characteristic Interventional Sum-Product Networks for Causal Inference in Hybrid Domains
von: Poonia, Harsh, et al.
Veröffentlicht: (2024)

On the Benefits of Attribute-Driven Graph Domain Adaptation
von: Fang, Ruiyi, et al.
Veröffentlicht: (2025)

Continuous Product Graph Neural Networks
von: Einizade, Aref, et al.
Veröffentlicht: (2024)

Boolean Product Graph Neural Networks
von: Wang, Ziyan, et al.
Veröffentlicht: (2024)

Enhancing Chess Reinforcement Learning with Graph Representation
von: Rigaux, Tomas, et al.
Veröffentlicht: (2024)

Canonical Variates in Wasserstein Metric Space
von: Li, Jia, et al.
Veröffentlicht: (2024)

Sum-of-Parts: Self-Attributing Neural Networks with End-to-End Learning of Feature Groups
von: You, Weiqiu, et al.
Veröffentlicht: (2023)

When and How to Canonize: A Generalization Perspective
von: Sverdlov, Yonatan, et al.
Veröffentlicht: (2026)

From Graph Diffusion to Graph Classification
von: Xian, Jia Jun Cheng, et al.
Veröffentlicht: (2024)

Latency and Ordering Effects in Online Decisions
von: Yi, Duo
Veröffentlicht: (2025)

Sparse Autoencoders Do Not Find Canonical Units of Analysis
von: Leask, Patrick, et al.
Veröffentlicht: (2025)

The Disparate Benefits of Deep Ensembles
von: Schweighofer, Kajetan, et al.
Veröffentlicht: (2024)

Graphs Unveiled: Graph Neural Networks and Graph Generation
von: Kovács, László, et al.
Veröffentlicht: (2024)

Polynomial Selection in Spectral Graph Neural Networks: An Error-Sum of Function Slices Approach
von: Li, Guoming, et al.
Veröffentlicht: (2024)

Thresholded Lexicographic Ordered Multiobjective Reinforcement Learning
von: Tercan, Alperen, et al.
Veröffentlicht: (2024)

Towards Context-Aware Domain Generalization: Understanding the Benefits and Limits of Marginal Transfer Learning
von: Müller, Jens, et al.
Veröffentlicht: (2023)

Graph Reasoning Networks
von: Zopf, Markus, et al.
Veröffentlicht: (2024)

OAT: Ordered Action Tokenization
von: Liu, Chaoqi, et al.
Veröffentlicht: (2026)

Causal Ordering for Structure Learning from Time Series
von: Sanchez, Pedro P., et al.
Veröffentlicht: (2025)

GraphTOP: Graph Topology-Oriented Prompting for Graph Neural Networks
von: Fu, Xingbo, et al.
Veröffentlicht: (2025)

Prune-Quantize-Distill: An Ordered Pipeline for Efficient Neural Network Compression
von: Zhou, Longsheng, et al.
Veröffentlicht: (2026)

Using Neural Implicit Flow To Represent Latent Dynamics Of Canonical Systems
von: Nasim, Imran, et al.
Veröffentlicht: (2024)

From Text to Graph: Leveraging Graph Neural Networks for Enhanced Explainability in NLP
von: Yáñez-Romero, Fabio, et al.
Veröffentlicht: (2025)

GraphXAIN: Narratives to Explain Graph Neural Networks
von: Cedro, Mateusz, et al.
Veröffentlicht: (2024)

Explaining Graph Neural Networks for Node Similarity on Graphs
von: Daza, Daniel, et al.
Veröffentlicht: (2024)

Graph Neural Networks Use Graphs When They Shouldn't
von: Bechler-Speicher, Maya, et al.
Veröffentlicht: (2023)

Generalizing Graph Neural Networks on Out-Of-Distribution Graphs
von: Fan, Shaohua, et al.
Veröffentlicht: (2021)