局所的不整合解消：確率モデルにおける注意（Attention）と制御（Control）の相互作用

arXiv cs.AI / 2026/4/21

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、確率モデルの一部に反復的に焦点を当て、制御下にあるパラメータで不整合を解消することで、学習と近似推論を行う汎用アルゴリズム「Local Inconsistency Resolution（LIR）」を提案する。
LIRは、不整合した信念を表現できる確率的依存関係グラフ（PDG）に基づいており、柔軟な表現基盤として構築されている。
著者らはLIRが、EM、信念伝播、敵対的学習、GAN、GFlowNetsなどの複数の代表的手法を統一・一般化することを示し、各手法はLIRの特定のインスタンスとして再現できると述べている。
GFlowNetsでは、LIRによりより自然な損失関数が導かれ、その損失によりGFlowNetの収束が改善することを実証している。
離散PDG向けに実装し、合成PDG上で性質を調べ、全PDGに対する大域的最適化（global optimization semantics）との比較も行っている。