Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
확률적 프로그래밍에서 MCMC 추론의 효율성을 높이기 위해 동적 그래프를 활용하는 새로운 접근 방식을 제안합니다. 데이터 의존성을 명시적으로 표현하여 변경된 부분만 재계산함으로써 계산 효율성을 극대화합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.PL (Programming Languages)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기확률적 프로그램 (probabilistic program)에 기반한 추론을 실용적으로 만드는 데 있어 중요한 측면은 효율성입니다. 더 빠른 평가는 단위 시간당 더 많은 작업을 가능하게 하며, 이는 더 높은 정밀도로 이어질 수 있습니다. 마르코프 체인 몬테카를로 (Markov chain Monte Carlo, MCMC)를 통한 추론은 효율성을 위해 유리하게 활용될 수 있는 특성을 가지고 있습니다. 즉, 제안된 대부분의 샘플 (samples)은 이전 샘플의 미세한 변형으로 계산되므로, 영리한 구현을 통해 변경되지 않은 부분과 관련된 계산을 건너뛸 수 있습니다. 본 논문은 확률적 프로그램을 함수형 반응형 프로그래밍 (functional reactive programming)을 연상시키는 동적 그래프 (dynamic graph)로 자동 변환하는 접근 방식을 제공합니다. 이 그래프는 데이터 의존성 (data dependencies)을 명시적으로 표현하여, 제안 (proposals) 단계에서 다시 추출된 확률 변수 (random variables)에 의존하는 그래프의 부분만을 재계산할 수 있게 합니다. 그래프 구축 인터페이스는 친숙한 함수형 프로그래밍 (functional programming) 인터페이스를 따르며, 이는 확률적 프로그래밍 관점에서의 표현력과도 연결됩니다. 즉, 어플리케이티브 퍼넥터 (applicative functor) 부분을 사용하는 모델은 베이지안 네트워크 (Bayesian networks)를 표현하며, 모나드 (monads)를 사용하는 모델은 범용 확률적 프로그래밍 언어 (universal probabilistic programming languages)를 나타냅니다.