切片采样粒子置信传播
本研究提出了一种基于粒子的 Loopy Belief Propagation 实现方法,它在连续状态空间上构建了适应性高效的提议分布,使用 Expectation Propagation 框架迭代更新参数,具有更优的效果和更少的计算代价。
Jun, 2015
本文提出了一种称为 “块置信传播学习” 的方法,该方法使用近似边际的块坐标更新来计算梯度,从而避免了对整个图形模型进行推理。通过实验证明,该方法相较于标准训练方法具有更高的可扩展性。
Nov, 2018
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
本篇研究开发了概率编程语言(PPLs)的度量叙事贝叶斯网络(MTBNs)的概念,并使用它来提供更多的语义,包括有限的支持组合离散和连续元素的随机变量。最终将 MTBNs 集成到广泛使用的概率编程语言系统 BLOG 中,并通过代表性的算例验证了新的推理算法的有效性。
Jun, 2018
介绍和证明了一个基于粒子马尔可夫蒙特卡罗的新的推理方法。该方法适用于图灵完备的概率编程语言,支持使用复杂控制流(包括随机递归)的模型的准确推理,并包括来自贝叶斯非参数统计的基元。实验证明,该方法比之前介绍的单一站点 Metropolis-Hastings 方法更有效。
Jul, 2015
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
本文提出了利用基于粒子滤波置信转移模型的有限样本粒子置信 MDP 近似解决 POMDP 的方法。在五个基准 POMDP 实验中,与其他领先的连续观察 POMDP 求解器相比,表明这种方法可以实现与其他领先的连续观察 POMDP 求解器竞争力的表现。
Oct, 2022
本文引入一种新的技术 —— 随机正交序列消息传递(SOSMP)—— 用于计算具有连续随机变量模型中的 BP 固定点,通过对信息的正交级数展开的确定性近似和基础系数的积分更新的蒙特卡洛估计的随机近似 贴近 BP 固定点,此技术已被证明在任何树形图和满足缩小条件的任何图形中的 BP 更新都会收敛到唯一的 BP 固定点的 δ 邻域。同时,我们演示了如何根据所需的近似精度 δ 和兼容性函数的平滑度来选择基础系数的数量,并通过模拟实例和光流估计应用证明了我们理论的正确性。
Dec, 2012
本文介绍了利用连续时间马尔可夫过程探索目标分布的一种替代方法,该方法可以提供无拒绝的 MCMC 抽样方案,并且在采样混合离散 - 连续分布和被限制在平滑连通域上的分布时很有效。
Oct, 2015