该论文提出了一种基于广义置信传播算法的聚类算法,将信息传递应用于加入图而不是加入树,称为迭代加入图传播。该方法在多种问题类别上表现出更高的时间效率和更高的准确度。
Dec, 2012
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
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
提出了一种基于预测信念传播的新型学习和推断算法,对于一般潜变量图模型,算法将硬参数学习问题简化为一系列监督学习问题,并将学习不同种类的潜变量图模型统一到一个局部最优、统计一致的学习框架中,此算法在合成和真实数据集上显著优于前人方法,也更快地计算。
Dec, 2017
使用高斯信仰传递算法(GaBP)解决线性方程组问题,实现了迭代解法,从而实现了分布式消息传递实现解决方案的算法。通过广泛的模拟实验,在具有数百万节点和数亿通信链接的真实网络拓扑上展示了 GaBP 算法的吸引力和适用性。
Nov, 2008
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
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
论文介绍了两种高效的基于 BP 算法的算法,保证收敛到凸自由能的全局最小值,提出了一种基于图的结构自动设置凸自由能参数的启发式方法。
Jun, 2012
高维模型中的高效推理是机器学习中的一大挑战。本文介绍了高斯集成信念传播算法(GEnBP),它是集合卡尔曼滤波器和高斯信念传播方法的融合。GEnBP 通过图模型结构中的低秩局部消息传递来更新集合,结合了每种方法的优点,能够处理高维状态、参数和复杂、嘈杂、黑盒子生成过程。GEnBP 特别适用于集合大小远小于推理维度的情况,常见于时空建模、图像处理和物理模型反演等领域。GEnBP 可应用于包括联合学习系统参数、观测参数和潜在状态变量在内的一般问题结构。
Feb, 2024
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