勘误表：通用概率编程语言的带注释自动剪枝技术

《ACM Transactions on Probabilistic Machine Learning》：Erratum: Annotated Automatic Pruning of Universal Probabilistic Programming Languages

【字体：大中小】 时间：2026年04月27日 来源：ACM Transactions on Probabilistic Machine Learning

编辑推荐：

　　摘要这是对文章《Annotated Automatic Pruning of Universal Probabilistic Programming Languages》的勘误声明，该文章发表于《ACM Trans. Probab. Mach. Learn.》第1卷第3期，文章编

摘要

这是对文章《Annotated Automatic Pruning of Universal Probabilistic Programming Languages》的勘误声明，该文章发表于《ACM Trans. Probab. Mach. Learn.》第1卷第3期，文章编号15（2025年8月），共33页。

错误及其更正

原论文[?aylak等人，2025年]中的问题是，我们提出的算法并未涵盖所有剪枝情况，尽管它们涵盖了我们在讨论的模型中出现的剪枝情况。我们更正了与此问题相关的运行时函数，并更新了第4.3节中呈现的文本和图表以反映这一更正。这些更改不会影响估计的归一化常数，但计算时间略有变化。因此，我们重新运行了所有实验以获得更正后算法的更新性能结果。我们还更改了Zenodo链接，指向更新后的代码。

更改的总结及其目的如下：

—

将InitPruneVar函数中的冗余向量移除。在之前版本的该函数（见第21页）中，有一个名为incomingMsgs的消息数组，现在已被移除，因为它是不必要的。同时，在表2中也移除了该向量的定义。

—

修改CcalculateMsg函数，以确保在观察到的值是剪枝随机变量时，正确使用观察到的剪枝变量的先验分布，同时分布参数是另一个剪枝变量的函数。

—

添加了CcalculateObsL

—

将WeightP

—

将CbservedLH的名称更改为GbservedLH

，以明确我们不是在计算新的似然值，而是在获取现有的似然值。

—

第4节、表2和图10已进行了修改。第5节中的图11至图16也根据实验结果进行了更新。

以下是更改的详细说明：

之前，当观察到的值是剪枝随机变量时，我们没有正确处理其似然值。这个边缘情况在评估中没有出现，因此在原始提交中未被注意到。

prune (Categorical [0.7, 0.3])

pruned x) (Categorical [0.5, 0.5])

或者

prune (Categorical [0.7, 0.3])

pruned d)

pruned x) (Categorical params)

bservePcalculateObsL此外，当两个剪枝变量相互依赖时（例如在观察(pruned x) (Categorical params中），我们需要考虑观察到的剪枝变量的先验分布，以确保正确的边缘化。在CcalculateM最后一种情况是，观察构造的值和分布都依赖于同一个剪枝变量：

prune (Categorical [0.7, 0.3])

pruned x)

pruned x) (Categorical params)

bservePeightPeightP

联系信箱：

摘要

错误及其更正

热点排行