Transformers Simulate MLE for Sequence Generation in Bayesian Networks
Transformer 模拟贝叶斯网络序列生成的极大似然估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用序列生成与概率模型学习，贝叶斯网络不足以支持经济网络或其他所列领域分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
Transformer 模拟贝叶斯网络序列生成的极大似然估计
- 研究问题
- 给定由同一贝叶斯网络产生的独立序列作为上下文，Transformer 能否估计网络的条件概率，并据此自回归生成新序列？
- 方法与思路
- 作者研究一个简单 Transformer 的构造，使其从上下文估计贝叶斯网络条件概率并生成样本，同时通过训练实验考察该能力。
- 材料陈述的贡献
- 摘要称证明具备上述两项能力的模型存在，并通过实验展示训练能够获得此类模型，为理解序列生成能力提供理论依据。
- 阅读关注点
- 应核对网络结构是否预先已知、条件概率估计与极大似然的对应关系，以及构造规模、近似误差和训练实验覆盖的范围。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未说明构造的具体限制，不能直接推及任意实际大语言模型。
原文摘要
Transformers have achieved significant success in various fields, notably excelling in tasks involving sequential data like natural language processing. Despite these achievements, the theoretical understanding of transformers' capabilities remains limited. In this paper, we investigate the theoretical capabilities of transformers to autoregressively generate sequences in Bayesian networks based on in-context maximum likelihood estimation (MLE). Specifically, we consider a setting where a context is formed by a set of independent sequences generated according to a Bayesian network. We demonstrate that there exists a simple transformer model that can (i) estimate the conditional probabilities of the Bayesian network according to the context, and (ii) autoregressively generate a new sample according to the Bayesian network with estimated conditional probabilities. We further demonstrate in extensive experiments that such a transformer does not only exist in theory, but can also be effectively obtained through training. Our analysis highlights the potential of transformers to learn complex probabilistic models and contributes to a better understanding of large language models as a powerful class of sequence generators.