tree-reweighted max-product (TRW) message passing is a modified form of the
ordinary max-product algorithm for attempting to find minimal energy
configurations in markov random field with cycles. For a TRW fixed
本文介绍了一种统一的收敛信息传递算法,称为 tree-consistency bound optimization (TCBO), 它可以在变分推理问题的 sum 和 max product forms 中都被证明是收敛的,并且将已有的算法中的极大化和求和进行交换后,可以获得新的收敛算法,特别是当树是单调链时,Wainwright 的非收敛 sum-product 算法实际上是收敛的。
本篇论文研究了在无向图中,基于密集型变量以及对近似推断的影响。对于任意标签数量的变量,文章采用了 clamp 和 sum 的逼近子分区函数的方式,证明了在 TRW 和 naive mean field 方法中,clamp 和 sum 的逼进子分区函数都会导致分区函数估计下降,引入 Bethe 逼近来考虑二元变量,并探讨选择良好的 clamp 变量的方法,研究发现高度受挫的周期和单例信息熵的识别非常重要,最后通过经验分析探讨了我们方法的价值。