提出了一种新的任何时间算法解决图模型中的边际 MAP 问题,该算法可以在多项式时间内运行且当模型的图具有有限的树宽时,可以提供下限和上限保证。实验表明它可以在具有多个 MAP 变量和中等树宽的问题中表现得很好,并且相比 Park 和 Darwiche 的系统搜索而言有更好的表现。
Jun, 2012
本文针对图像模型的边缘 MAP 问题,提出了一种变分框架,运用 Bethe、tree-reweighted、mean field 逼近等方法得出 mixed message passing algorithm 和使用 CCCP 解决 BP-type 逼近的算法,并在实验中证明了我们的算法优于相关方法。此外,本文还表明 EM 和 variational EM 组成我们框架的一个特殊情况。
Feb, 2012
本文介绍了双重分解及其在图形模型中的应用,以及解决在此框架下由于困惑循环而产生的整数相差较大的问题的方法,介绍了引入循环一致性和其他高阶一致性约束的基于簇的追踪算法,以及利用循环约束搜索算法和双重分解框架综合使用的算法,可以精确地解决由关系分类和立体视觉产生的 MAP 推断问题。
Oct, 2012
提出一种名为 XOR_MMAP 的新方法来解决边缘最大后验问题,该方法利用 NP 问答机制表示难以处理的计数子问题,采用附加奇偶性约束来进行求解,具有较低的复杂度,并在多个机器学习和决策制定应用中表现优异。
Oct, 2016
本文提出一种基于 Lagrangean 松弛及 Frank-Wolfe 方法的多平面块协调策略用于在结构化能量最小化问题中求解最大后验概率(MAP)推断,并在 Markov 随机场、多标签离散层析成像和图匹配问题中的实验表明了方法优越性。
Jun, 2018
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
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
该研究提出了一种基于坐标下降的方法来解决图模型中的 MAP 推理问题,并证明了该方法的迭代会收敛到算法的一个固定点,且在 O (1/ε) 次迭代内达到精度 ε>0。
Mar, 2024
近似推理是通过使用神经网络来近似代表大型概率分布,该方法通过在查询变量上使用连续多线性函数来近似赋值的代价,并通过神经网络输出解决方案。本论文通过在多个基准数据集上的评估表明,该方法在求解概率电路中的最大边后验和边后验最大估计任务时优于竞争的线性时间近似方法。
Feb, 2024
该论文介绍了一种新的、简单的 MAP 解的概率上限,并使用该上限提出了一种分支定界搜索算法,能够准确高效地解决一些网络的 MAP 问题,这些网络的约束树宽度超过了 40。