Jun, 2012

剩余置信传播：异步消息传递的通知调度

PDF
TL;DR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。
belief propagationprobabilistic graphical modelsasynchronous propagationscheduling messagesresidual belief propagation
发现论文，激发创造
  • 改进的信念传播动态调度

    该论文提出一种在 Belief Propagation 算法中估算残差的上界方法，可以节省算力和计算时间，提高收敛速度，适用于硬网络和真实世界网络.

    Jun, 2012

  • 最小费用网络流的置信传播：收敛性与正确性

    本研究证明了置信传播算法在容量约束最小费用网络流问题上的全多项式运行时间，还证明了算法的随机逼近方案，这提供了理论依据支持置信传播算法成为解决一类重要的优化问题的有吸引力的方法。

    Apr, 2010

  • 循环置信传播用于近似概率推断

    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

  • 连续状态空间的信念传播：具有定量保证的随机传递消息

    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

  • 随机信念传播：一种低复杂度替代乘积和算法的选择

    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

  • 深度关注信念传播：融合推理与学习以解决约束优化问题

    通过将 Belief Propagation、门控循环单元和图注意力网络无缝地整合进消息传递框架中，我们提出了一种名为 DABP 的深度注意力置信传播模型，它可以推断得到优化后的权重和阻尼因子，通过无需昂贵的训练标签，可有效避免常见的分布问题进行自我监督学习，并通过实验表明它显著优于现有的基线模型。

    Sep, 2022

  • 基于信念传播的众包分类最优推断

    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

  • 信念传播快速收敛于全局最优解：超越相关性衰减

    研究图模型中 “信念传播” 的收敛性及其在 Ising 模型中的应用。

    May, 2019

  • 基于二元马尔可夫网的置信传播线性化

    本文提出了一种基于解线性方程组的方法，用于近似解决循环因子带权 Markov 随机场的置信传播问题，并且这种方法能够同时享有完全收敛的保证和较快的矩阵实现、适应于异质网络的特点。实验结果表明，在节点权重较弱的网络图上，这种线性化的方法在保证准确性的同时大大加快了推断速度，达到了与 BP 相当的标签准确性。

    Feb, 2015

  • 分布式系统中的健壮概率推断

    本文研究了概率推断问题在分布式系统中的应用，提出了一种新的基于消息传递的算法，相较于传统的 sum-product 算法，该算法对节点故障和通信失效有更好的稳健性，且在网络拓扑复杂时具有更优的计算复杂度，并用传感器网络定标任务进行了实验验证。

    Jul, 2012