ICMLFeb, 2016

基于信念传播的众包分类最优推断

PDF
TL;DR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。
crowdsourcinglabelling tasksdawid-skene modelbelief propagationrecovery of true labels
发现论文，激发创造
  • 循环置信传播用于近似概率推断

    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

  • 最小费用网络流的置信传播：收敛性与正确性

    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

  • 聚合数据推理：一种最优传输方法

    本文提出了一种新的高效置信传播算法 Sinkhorn belief propagation (SBP)，用于基于大量个体生成的聚合数据的概率图模型的推断问题。该算法基于最优传输理论并具有全局收敛保证，特别适用于隐马尔可夫模型的情况。

    Mar, 2020

  • 信念传播再进化：学习 BP 层用于标签问题

    本文提出一种基于深度学习模型的简化 Belief Propagation 方法 (BP Layer)，并将其作为卷积神经网络 (CNNs) 的中间层或者最终层来解决密集预测问题，如立体，光学流和语义分割等。

    Mar, 2020

  • 信念传播快速收敛于全局最优解：超越相关性衰减

    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

  • 通过信念传播引导超级学习者的标签比例学习

    通过学习标签比例 (LLP)，我们提出了一种新的算法框架，其中迭代地执行伪标签和嵌入改进两个主要步骤，利用 Gibbs 分布和 Belief Propagation，在不牺牲计算效率的情况下，取得了标签比例学习问题上的显著改进。

    Oct, 2023

  • 深度关注信念传播：融合推理与学习以解决约束优化问题

    通过将 Belief Propagation、门控循环单元和图注意力网络无缝地整合进消息传递框架中，我们提出了一种名为 DABP 的深度注意力置信传播模型，它可以推断得到优化后的权重和阻尼因子，通过无需昂贵的训练标签，可有效避免常见的分布问题进行自我监督学习，并通过实验表明它显著优于现有的基线模型。

    Sep, 2022

  • 置信传播计数

    本文介绍了一种名为计数 BP 的新型 BP 算法，它利用了图模型中存在的对称性，通过构建压缩图模型的方式实现更高效的模型推理，在包括动态关系模型和布尔模型计数等多种人工智能任务中取得显著的效率提升。

    May, 2012

  • 众包标注估计基础真相的极小最优收敛速率

    本文证明了 Dawid-Skene 估计器的投影 EM 算法收敛速率的最优性，并通过一个比较研究与多数投票相比，展示了 Dawid-Skene 估计器的优势与局限性。

    Oct, 2013

  • 剩余置信传播：异步消息传递的通知调度

    探讨了如何在异步传播中安排消息以实现更快且更频繁地达到固定点，并通过提出残留置信传播（RBP）算法来解决此问题，该算法相对于现有方法在多种挑战性的合成和实际问题中具有更高的收敛率和更短的收敛时间。

    Jun, 2012