构建具有表达力且易于处理的概率生成模型：综述
内容提要
该文综述概率电路（PCs）的研究进展，涵盖P-VAE知识蒸馏、PUTPUT逻辑理论提升可解释性、md-vtrees与MDNets支持因果推理、剪枝增长提升学习效率、混合模型结合连续潜变量与PC进行密度估计、特征电路建模异构数据、潜变量精炼增强图像建模、TDI提升鲁棒性、Einsum Networks提高可扩展性，以及用可计算概率模型指导扩散模型去噪。
延伸解读
概率电路的可解释性进展
概率电路（PCs）虽具可处理性，但内部逻辑难以理解。PUTPUT方法通过修剪基本逻辑理论，生成可读的逻辑理论来描述PC的高密度区域，并在音乐播放列表生成案例中验证了有效性。这提升了PC的可解释性，并在性能与可理解性权衡上优于现有方法，为PC在需要解释的场景中应用提供了可能。
因果推理与结构创新
md-vtrees结构用于描述可分解概率电路中的决策概率，支持多项式时间算法，特别适用于因果推理查询。基于此的MDNets架构在因果推理实验中得到验证。这扩展了PC在因果推断中的应用，为处理复杂因果关系提供了新工具。
鲁棒性与分布外数据挑战
研究发现概率电路对分布外（OOD）数据并不鲁棒。为此提出的可解释辍学推理（TDI）方法，通过实验证明能提高PC对分布变化和OOD数据的鲁棒性。这表明PC在实际部署中需关注鲁棒性问题，TDI提供了一种可解释的解决方案。
生成建模的融合与扩展
PC与其他生成模型融合成为趋势：混合模型结合连续潜变量与PC进行密度估计，在基准测试中超越以往可计算模型；潜变量精炼机制提升了PC在图像建模中的竞争力，媲美VAE和流模型；Einsum Networks提高了PC的可扩展性；TPMs指导扩散模型去噪，改进了图像生成质量和可控性。这些工作推动了可处理生成建模的发展。
Q&A
概率电路（PCs）在可解释性方面有哪些改进方法？
PUTPUT方法通过修剪基本逻辑理论来生成可理解的逻辑理论，从而改进概率电路的可解释性，并成功应用于自动生成音乐播放列表等实际场景。
概率电路如何用于因果推理？
通过引入md-vtrees结构来描述可分解概率电路中的决策概率，并基于此提出MDNets架构，能够派生多项式时间算法，特别适用于因果推理查询。
概率电路在密度估计方面有哪些进展？
混合模型方法将连续潜在空间的概率模型与可计算概率电路结合，在标准密度估计基准测试中超越了以往的可计算模型。
如何提高概率电路的学习效率和模型容量？
使用剪枝和增长方法可以大幅提高概率电路的学习性能和模型容量使用效率。
概率电路在图像建模方面有哪些应用？
通过潜变量精炼机制，概率电路在图像建模中达到了与变分自编码器和流模型相当的竞争力；此外，P-VAE方法在ImageNet32上取得了4.06位每维的结果。
概率电路如何处理异构数据？
特征电路作为一种适用于异构数据的可追溯概率模型，能够构建高维概率分布，弥补复杂关系数据上不确定性推理的局限性。
概率电路在鲁棒性方面存在什么问题，如何解决？
概率电路对OOD数据并不鲁棒，提出的可解释辍学推理（TDI）方法通过实验证明能提高其对分布变化和OOD数据的鲁棒性。
如何提高概率电路的可扩展性？
基于Einsum Networks的概率电路模型实现，通过简化Expectation-Maximization算法的实现，提高了可扩展性，并作为忠实的生成图像模型。
概率电路如何与扩散模型结合？
利用可计算条件概率的Tractable Probabilistic Models（TPMs）来指导扩散模型的去噪过程，从而改进受限图像生成的质量和语义连贯性，并支持语义约束。
