Mar, 2012

关系型连续模型的抬升推理

PDF
TL;DR本文提出新的精确的提升推理算法，用于关系连续模型，能够有效地推断大规模真实应用的模型；该算法处理连续域变量时，改进了传统方法的效率，在高斯概率下算法时间复杂度达到线性级别，并且是第一个通过提升方式处理关系连续模型的精确推理算法；文章通过实验验证表明，该算法性能优于基础推理算法和其他已知的提升方法构建的算法。
relational continuous modelsexact lifted inference algorithmrelational pairwise modelsgaussian potentialseconometrics
发现论文，激发创造
  • 抬升的关系变分推断

    本文提出了一种高效的关系变分推断算法，用于将大规模概率混合物模型转化成简单的变分模型，以提高推理效率，并通过使用隐变量消去或抽样方式计算变分模型上的边缘概率。

    Oct, 2012

  • 关系因果模型的提升表示：推理和结构学习的影响再探讨

    本研究重新审视了抽象地面图的定义，确保其能正确地抽象所有地面图并表明其嵌套不完整，从而提出了更弱的完备性概念，即 RC 模型和其 AGG 之间的邻接完备性和方向完备性，以更好地从数据中学习 RC 模型。

    Aug, 2015

  • 抬升的混合变分推断

    本文研究了适用于混合域的近似变分方法及其对称性，展示了这些方法较现有的基于信息传递的方法更具有可伸缩性和优越性能，并提出了 Bethe 近似在建模多样本方面的一个充分条件。

    Jan, 2020

  • 线性模型中的多变量重尾推断

    提出了一种基于特征函数的线性特征模型（LCM），利用稳定分布计算在图形模型中存在的重尾分布下的精确和近似推理，该模型不局限于稳定分布，并可适用于离散、连续或混合随机变量。

    Aug, 2010

  • 关系域中的提升因果推断

    利用参数因果因子图的抬升推断算法，在概率图模型中加速计算关系领域的因果效应。

    Mar, 2024

  • 非对称图模型的升级概率推理

    介绍了一种基于概率抽样的推理框架，利用图形模型中的近似对称性来提出在马尔可夫链中进行选择的步骤，以改进概率估计并保持无偏。

    Dec, 2014

  • 升级关系神经网络

    本文提出了一种结合关系逻辑表示和神经网络学习的方法，通过关系规则和反映给定训练或测试关系实例结构的深层神经网络的组合实现层次关系建模，从而实现对潜在关系概念的学习，该方法在 78 个关系学习基准测试中表现良好。

    Aug, 2015

  • 具有数据增强的判别式非参数潜在特征关系模型

    本研究提出一种较为准确地进行关系建模和预测的方法，该方法使用了具有判别性的非参数潜在特征关系模型 (LFRM)，该模型使用概率推理，并将预测损失与贝叶斯模型的概率推理结合使用，并使用不同的规则参数来处理真实网络中不同类型链接的不平衡问题，同时对光滑的逻辑对数损失和分段线性铰链损失进行统一分析。

    Dec, 2015

  • 从关系数据中学习因果模型的声音全面算法

    该论文提出了一种名为‘关系性因果发现 (RCD)’的算法，通过关系性模型和在条件独立方面的提升推理，学习因果关系，证明了该算法的可靠性和有效性。

    Sep, 2013

  • 关系判别主题模型

    通过三个扩展来改进 RTMs 模型，扩大模型表达性和处理不平衡网络结构的能力，实现更加精准的推理和主题发现.

    Oct, 2013