May, 2016

结构化预测的局部扰动 - MAP 算法

PDF
TL;DR本文介绍了一种新的局部扰动 - 最大后验 (Local Perturb-and-MAP, locPMAP) 框架，通过利用我们观察到的 locPMAP 与原始 CRF 模型的伪似然函数之间的关系，将全局优化替换为局部优化，从而取代了 CRFs 在学习和推断步骤中的常用的近似技术。在三个不同的视觉任务中测试我们的方法，并展示了我们的方法优于其他优化到伪似然目标的近似推断技术，此外，我们展示可以将我们的方法整合到完全卷积网络框架中，以增加模型的复杂性并证明 locPMAP 和伪似然之间的关系为理解和使用伪似然提供了一种新的视角。
conditional random fieldsstructured predictionapproximation techniqueslocal perturb and mappseudolikelihood
发现论文，激发创造
  • 在多项式时间内学习最大后验扰动模型以进行结构化预测

    本文提出了一种基于 Rademacher 泛化界限的新型通用泊松模型学习算法，并给出了对未知示例的泛化保证条件，该方法可以在多项式时间内计算 MAP 预测器期望损失的泛化界限。

    May, 2018

  • 稀疏结构预测的可微松弛优化：LP-SparseMAP

    本文介绍了 LP-SparseMAP，这是 SparseMAP 的一个扩展，它通过本地多面体松弛来解决 SparseMAP 的一个限制。LP-SparseMAP 使用因子图的领域特定语言来定义和回溯任意隐藏结构，支持粗分解，硬逻辑约束和高阶相关性。在三个结构化预测任务中的实验显示了与 SparseMAP 和结构化 SVM 相比的优势。

    Jan, 2020

  • 稀疏可导结构化推断

    介绍了 SparseMAP 方法及其应用于深度神经网络的优势，旨在解决基于稀疏结构的推理问题，提高可解释性和准确率

    Feb, 2018

  • 计算机视觉中的粗 - 细阶段提升极大后验概率推断

    研究了利用提升推理算法应用于计算机视觉中并开发了一种通用模板，其中采用了粗糙到精细的推理方法来提高算法的效率，成功地开发了用于立体视觉和交互式图像分割的基于提升推理算法的算法。

    Jul, 2017

  • 概率电路中边缘 MAP 的神经网络逼近器

    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

  • 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

  • 图割总能在 Potts 模型中找到全局最优解 (但有一个陷阱)

    证明 alpha-expansion 算法在 Potts 二元势场的马尔科夫随机场中总是返回全局最优赋值，但有一个要求：只对原问题实例的微小扰动中的一个赋值具有最优性。

    Nov, 2020

  • 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

  • 一种可扩展且可推广的路径损耗图预测

    基于 ML 的 PMNet 通过使用有限的 RT（或信道测量）数据和地图数据进行训练，可以在几毫秒内高精度地预测位置上的路径损耗，并通过使用迁移学习在快速和高效的情况下学习新的网络场景。

    Dec, 2023

  • 关于分配函数和随机最大后验扰动

    本文利用随机变量的最大统计量将分区函数与之相关联，提供了一种新的框架，通过随机扰动模型上的 MAP 推断来近似和限制分区函数，从而可以使用图割等高效 MAP 求解器来评估相应的分区函数，证明我们的方法在典型的 “高信号 - 高耦合” 区域中表现出色，这导致了难以处理的凹凸不平的能量景观。

    Jun, 2012