ICLRDec, 2013

受限玻尔兹曼机中的推理松弛化

PDF
TL;DR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。
approximate inferencemarkov random fieldboltzmann machinesampling-based methodslog-partition function
发现论文，激发创造
  • 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

  • 受限玻尔兹曼机的高级平均场理论

    通过 Bethe 近似复杂统计场理论，我们基于平均场理论为 RBM 提供了一种高效的基于消息传递的方法，可以评估分区函数和梯度而无需统计采样，从而消除了对计算上昂贵的采样方法的需求。

    Feb, 2015

  • MAP 推断的连续松弛：一个非凸视角

    本研究探讨离散马尔可夫随机场的最大后验概率推断的非凸连续松弛，研究表明该松弛对于任意马尔可夫随机场都是紧密的，并且可以通过简单的块坐标下降算法轻松地达到其离散稳定点。我们进一步研究了使用基于交替方向乘子法 (ADMM) 的多线性分解框架的高效解决方案，该方案在许多现实世界的问题上的实验证明，ADMM 比其他非凸松弛方法表现更好，并且在不同设置中与最先进的 MRF 优化算法比较时表现优异。

    Feb, 2018

  • 利用消息传递来加紧 MAP 的 LP 松弛

    使用双重消息传递算法对线性规划进行松弛，通过迭代选择具有保证改进的集群，解决集群选择问题，成功地在蛋白质侧链放置、蛋白质设计和立体化问题中找到了最有可能的 MAP 配置。

    Jun, 2012

  • 图形模型中的 MAP 估计的 Lagrangian 松弛

    采用拉格朗日松弛技术，将不可解的估计问题重新定义为更可处理的图上问题，通过相应约束的松弛最大化优化问题，并应用于离散和高斯图模型的 MAP 估计及优化问题中。

    Sep, 2007

  • 关于随机最大后验扰动的给定分布采样算法

    该研究使用 MAP 推断描述如何有效地从 Gibbs 分布中进行采样。通过引入低维扰动并解决相应的 MAP 分配，提供了从 Gibbs 分布中绘制近似或无偏样本的方式。同时通过该方法，获得了求解分函数下限的新方法。最后实验结果表明，该方法在 “高信号 - 高耦合” 模式下优异表现，并且可以处理更具挑战性的能量场景。

    Sep, 2013

  • 关于随机最大后验扰动度量的专业简体中文翻译

    本文提出了新的度量区间不等式方法，用于估算低维度 MAP 扰动期望值所需的样本数量，通过将该通用结果应用于 MAP 扰动，可以产生更有效的算法以从 Gibbs 分布中近似采样。

    Oct, 2013

  • 广义序贯树 - 重新加权信息传递

    本论文提出了一种基于 Junction chains 和线性规划的算法来处理图模型中的近似 MAP-MRF 推断问题，并且在计算机视觉领域取得了一定的性能提升。

    May, 2012

  • 通用图模型 MAP 推断的剪枝部分最优化

    本文提出了一种新的多项式时间算法来解决最小化无向图模型的能量问题，利用凸松弛方法得到部分最优非松弛积分解，并采用迭代修建策略优化算法，相较之前的方法表现更好。

    Oct, 2014

  • 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