AAAIApr, 2013

RockIt：统计关系模型中利用并行性和对称性进行 MAP 推理

PDF
TL;DRRockIt 是一种基于最大后验查询引擎的查询引擎，通过整数线性规划 (ILPs) 的编译实现 MAP 推理，并使用一种名为 cutting plane aggregation (CPA) 的新型元算法。它还利用共享内存多核架构并行化 MAP 推理管道的大部分部分，通过与 Alchemy、Markov TheBeast 和 Tuffy 等状态 - of-the-art 系统的大量实验表明，RockIt 在效率和结果质量方面都优于这些系统。
发现论文，激发创造
  • 提高马尔科夫逻辑的 MAP 推理准确性和效率

    本文提出了一种基于 Cutting Plane Method 的 最大后验概率 (Maximum A Posteriori) 推断方法 CPI，用于统计关系学习。作者在两个任务上进行了评估，即语义角色标注和联合实体解析。实验结果表明使用 CPI 后，原本的 MAP 推断方法 MaxWalkSAT 以及整数线性规划的效率明显提高，并且 CPI 还可提高 MaxWalkSAT 的准确性，同时保持整数线性规划的精确性。

    Jun, 2012

  • 概率逻辑编程的 MAP 推断

    本文探讨了在概率逻辑编程中计算最大后验概率和最可能解释的问题，并提出了一种将问题表示为二叉决策图并在其上应用动态规划过程的新算法，与 ProbLog 在多个合成数据集上的实验结果相比，PITA 的性能更佳。

    Aug, 2020

  • 通过 LP 松弛约束组合搜寻实现精确 MAP 推断

    针对基于图模型的最大后验概率推断问题，本研究提出了一系列不同于 Sherali-Adams 层次结构的松弛方法，将问题分解为一个简单的 LP-tight 部分和一个困难的组合求解器部分，实验证明对小部分问题可以显著降低计算时间。

    Apr, 2020

  • 通过基于图模型的迭代松弛推断达到最大持久性

    本文提出了一种用于找到 NP 难问题下离散图像模型 MAP 推理的部分最优解的算法，并通过使用一个线性规划松弛的精确求解器，标记出一些标签作为其最大可能的标签。

    Aug, 2015

  • 基于图形的无递归语义解析

    本文提出了一种新的基于图的方法来进行语义解析，解决了文献中观察到的两个问题：(1) seq2seq 模型无法完成组合泛化任务；(2) 使用短语结构解析器的先前工作无法涵盖树库中观察到的所有语义解析。我们证明了两个优化算法的正确性，用基于约束平滑和条件渐变的方法近似解决这些推断问题。实验证明，我们的方法在 Geoquery、Scan 和 Clevr 上都具有最先进的效果，包括在测试组合泛化的过程中。

    Feb, 2023

  • 通过（超）树协议达成的 MAP 估计：消息传递和线性规划

    研究了一种计算 Markov 随机场上最大后验概率的最优配置的方法，通过将原始分布分解为树形分布的凸组合来得到上限，提出了两种尝试获得紧密上限的方法，并建立了模式搜索问题 LP 松弛和最大乘积（最小和）消息传递算法之间的联系。

    Aug, 2005

  • DPER: 针对存在 - 随机难题的动态规划

    本研究将 graded project-join trees 上的动态规划方法扩展到了 ER-SSAT 问题，并实现了名为 DPER 的动态规划求解器。实证评估表明，DPER 在低宽度问题实例上具有与最先进的 ER-SSAT 求解器（DC-SSAT 和 erSSAT）竞争性相当的性能。

    May, 2022

  • Rockmate：基于 PyTorch 的高效、快速、自动化和通用重现工具

    Rockmate 是一个自动化工具，从模型代码开始生成一个等效的模型，使用预定义数量的内存来控制 PyTorch DNN 模型训练时的内存需求。

    Jul, 2023

  • 受限玻尔兹曼机中的推理松弛化

    提出了一种基于松弛的近似推断算法，用于在二元成对马尔可夫随机场中采样接近最大化后验的配置，应用于多个限制波尔兹曼机中的 MAP 推断任务，并使用底层采样器估算了限制波尔兹曼机的对数划分函数，并与其他基于采样的方法进行了比较。

    Dec, 2013

  • 半定规划层次结构在图模型推断中的应用

    本文提出使用具有两个创新的二进制 SDP 松弛，同时聚焦于计算效率的 SOS 层次结构进行 MAP 推理，该算法在实际问题如图像去噪和 Ising 自旋玻璃方面表现优于 BP 和 GBP。

    Sep, 2017