最小费用网络流的置信传播:收敛性与正确性
该研究论文讨论了在任意图上找到最小重量匹配的问题,并证明了当 LP 松弛问题没有分数解时,Belief Propagation 算法会收敛于正确的解。
Sep, 2007
探讨了如何在异步传播中安排消息以实现更快且更频繁地达到固定点,并通过提出残留置信传播(RBP)算法来解决此问题,该算法相对于现有方法在多种挑战性的合成和实际问题中具有更高的收敛率和更短的收敛时间。
Jun, 2012
本文研究了在众包标注过程中,利用 Dawid-Skene 模型恢复错误标注并输出正确标注问题,提出了一种更紧密的下限和 Belief Propagation (BP) 算法来解决这一问题。实验结果表明,BP 是所有算法中最优的。
Feb, 2016
Circular Belief Propagation (CBP) 是 Belief Propagation (BP) 的扩展,通过学习检测和取消虚假相关性和置信度放大来限制循环引起的消息回声的负面影响,实验结果表明 CBP 在二进制概率图的数值实验中远远超过了 BP,并且与先前提出的算法相比表现良好。
Mar, 2024
本文提出了一种低复杂度的信念传播算法 —— 随机信念传播(SBP)算法,该算法是一种自适应随机的 BP 信息传递版本,其信息传递减少了计算复杂度和通讯复杂度,并在各种图形模型中证明了收敛性和计算复杂度降低的理论格局。
Nov, 2011
本文引入一种新的技术 —— 随机正交序列消息传递(SOSMP)—— 用于计算具有连续随机变量模型中的 BP 固定点,通过对信息的正交级数展开的确定性近似和基础系数的积分更新的蒙特卡洛估计的随机近似 贴近 BP 固定点,此技术已被证明在任何树形图和满足缩小条件的任何图形中的 BP 更新都会收敛到唯一的 BP 固定点的 δ 邻域。同时,我们演示了如何根据所需的近似精度 δ 和兼容性函数的平滑度来选择基础系数的数量,并通过模拟实例和光流估计应用证明了我们理论的正确性。
Dec, 2012
本研究提出一种新颖的推断算法,可用于任意的、二元的、无向图。该算法直接下降 Bethe 自由能,更新成对概率和边际概率,以获得本地最小值。同时,该算法的稳定性为数据学习图模型提供了理想手段。
Jan, 2013
本文提出了一种系统性的方式来对 naively 分配的因子图进行循环聚类,从而消除短路的影响,以提高 BP 算法在供应网络中的性能表现,实现了对供应网络中状态估计和优化问题的快速、可靠计算。
Mar, 2022