May, 2012

连续时间贝叶斯网络的均场变分近似

PDF
TL;DR本文介绍了一种基于 Markov 过程的 mean field variational approximation 方法，用于近似描述 Continuous-time Bayesian networks 中的概率分布，并提供了较好的推断和学习效果。
continuous-time bayesian networksmean field variational approximationmarkov processesinferencelearning
发现论文，激发创造
  • 因式化连续时间马尔可夫过程中的吉布斯采样

    该研究论文介绍了连续时间贝叶斯网络的一种新的采样方法 ——Gibbs 采样，以解决对多组件过程进行精确推理的困难。该方法可以适应进程的自然时间尺度，减少计算成本，并提供渐近无偏的近似。

    Jun, 2012

  • 聚类变分近似用于不完整数据下连续时间贝叶斯网络结构学习

    本论文提出了一种新的基于簇变分方法的连续时间贝叶斯网络近似算法，用于从不完整和嘈杂的时间序列数据中直接学习网络结构，并在可扩展性方面优于现有的方法。

    Sep, 2018

  • 随机搜索变分贝叶斯推断

    本文介绍了一种基于随机优化的替代算法，可以直接优化变分下界，通过控制变量来减少随机梯度的方差，其在非共轭模型：逻辑回归和 HDP 近似中的效果得到了证明。

    Jun, 2012

  • 结构化随机变分推断

    文章展示了如何通过松弛均场独立近似来减少对局部最优解和超参数的敏感性，使得全局参数和局部隐藏变量之间的任意依赖关系得以被考虑，从而提高参数估计的精度。

    Apr, 2014

  • 宽广场（Wide）均场变分贝叶斯神经网络忽视数据

    该研究利用变分推断来近似后验推断高度超参数化的神经网络，研究发现当单层贝叶斯神经网络中的隐藏单元数量趋近于无穷大时，平均场变分推断下的函数空间后验均值实际上收敛于零，完全忽略数据，这与真后验收敛于高斯过程相反。这项工作提供了对变分推断中 KL 散度过度正则化的洞见。

    Jun, 2021

  • 关于均值场变分推断的表现

    本论文提出了一种基于 Wasserstein 空间梯度流、Fokker-Planck 方程和扩散过程的分析 mean field variational inference (MFVI) 算法的框架，旨在解决 MFVI 算法中的收敛问题。研究表明，此框架可以保证多种解决变分推断问题的算法的收敛性。

    Oct, 2022

  • 连续时间贝叶斯网络

    本文提出了一个描述连续时间的结构化随机过程的有限状态连续时间贝叶斯网络（CTBNs）的语言，将状态分解成一组本地变量，其行为由其在有向图中的父级的函数描述，模型以任何给定时间点确定本地变量更改其值和其取下一个值的分布，提供了一个概率语义和近似推断算法。

    Dec, 2012

  • 图上随机动力学的变分逼近

    本文基于群集变分方法探究解析图形随机动力学的近似模型及模拟方法。

    Feb, 2017

  • 神经马尔可夫跳进程

    本文提出了一种基于神经常微分方程的变分推断算法，在 Markov 跳跃过程中通过学习神经连续时间表示来近似后验分布，相比于 Monte Carlo 和期望最大化方法具有更高效的性能。

    May, 2023

  • 平均场网络

    本文针对平均场算法在应对不可精确推断的图模型中的广泛使用进行研究，并将该算法转化为具有多层结构和绑定权重的前向网络以进行一些自然的扩展，包括权重不绑定和 MFNs 作为推理工具和判别模型，最终的实验结果表明，在作为判别模型时，MFNs 可以比平均场算法更有效地进行推理并具有更好的性能。

    Oct, 2014