图模型在机器学习有着广泛的应用。相比图模型，Sum-Product Networks模型具有更强表达能力和更快的推理速度，所以其在对文本和图像数据建模有着广泛的应用。本文总结Sum-Product Networks这一新的深度概率模型的研究进展，先介绍了固定结构的Sum-Product Networks的参数学习方法，再介绍了根据不同的输入数据而进行的结构和参数学习方法。并且介绍了判别式和生成模型的Sum-Product Networks，最后介绍了Sum-Product Networks在文本分类上的应用。

DeepDB：从数据中学习，而不是从查询中学习！ DeepDB是数据驱动的学习型数据库组件，可实现基数估计和近似查询处理（AQP）的最新性能。 这是在中描述的实现 Benjamin Hilprecht，Andreas Schmidt，Moritz Kulessa，Alejandro Molina，Kristian Kersting，Carsten Binnig：“ DeepDB：从数据中学习，而不是从Queries中学习！”，VLDB'2020。 设置 经过python3.7和python3.8测试 git clone https://github.com/DataManagementLab/deepdb-public.git cd deepdb-public sudo apt install -y libpq-dev gcc python3-dev python3 -m venv ve

斯宾 在 python 中实现 Sum-Product Networks (SPN) 并提供一些例程来进行推理和学习。 概述 实施和 SPN-BTB，如下所示： A. Vergari、N. Di Mauro 和 F. 埃斯波西托在 ECML-PKDD 2015 上简化、正则化和加强和积网络结构学习。 要求 spyn建立在 ， ， ， ， 和。 用法 data/文件夹中提供了几个数据集。 要运行算法及其网格搜索，请检查bin/文件夹中的脚本。 要从nltcs数据的训练集部分学习单个 SPN，您可以调用： ipython -- bin/learnspn_exp.py nltcs 要获得可能参数的概述，请使用-h ： -h, --help show this help message and exit -k [N_ROW_CLUSTERS], --n-row