说明
为支持现实世界中的决策而设计和部署的 AI 和 ML 系统需要在不确定的情况下执行复杂的推理。对于安全关键系统，例如医疗保健和金融领域的应用，这种推理的可靠性至关重要，即，无论是准确的还是带有近似保证的。同时，能够有效地执行这些保证也很重要。为此，易于处理的概率模型 (TPM) 非常有吸引力，因为它们通过设计支持对各种推理场景进行可靠和高效的推理. 因此，难怪最近关于建模和学习不同 TPM 的研究蓬勃发展。多样化的 TPM 谱包括提供易于处理的可能性计算的模型，例如归一化流、高斯过程和自回归模型；易处理的边际，例如混合模型、有界树宽模型和行列式点过程；以及支持更复杂推理场景的模型，例如概率电路. 正如今年研讨会提案的副标题所暗示的那样，我们特别有兴趣将这一领域的最新理论进展与关于将 TPM 应用于现实世界问题的新兴文献联系起来。特别是，TPM 已成功用于图像分类、完成和生成、活动识别、语言和语音建模、物理系统的验证和诊断，最近还用于计算生命科学，例如药物发现和流行病学建模。
tractable probabilistic models (TPMs)
https://tractable-probabilistic-modeling.github.io/tpm2022/papers/
