CVPRFeb, 2018

MAP 推断的连续松弛：一个非凸视角

PDF
TL;DR本研究探讨离散马尔可夫随机场的最大后验概率推断的非凸连续松弛，研究表明该松弛对于任意马尔可夫随机场都是紧密的，并且可以通过简单的块坐标下降算法轻松地达到其离散稳定点。我们进一步研究了使用基于交替方向乘子法 (ADMM) 的多线性分解框架的高效解决方案，该方案在许多现实世界的问题上的实验证明，ADMM 比其他非凸松弛方法表现更好，并且在不同设置中与最先进的 MRF 优化算法比较时表现优异。
nonconvex relaxationmap inferencemarkov random fieldsmultilinear decompositionadmm
发现论文，激发创造
  • 通过 LP 松弛约束组合搜寻实现精确 MAP 推断

    针对基于图模型的最大后验概率推断问题，本研究提出了一系列不同于 Sherali-Adams 层次结构的松弛方法，将问题分解为一个简单的 LP-tight 部分和一个困难的组合求解器部分，实验证明对小部分问题可以显著降低计算时间。

    Apr, 2020

  • 用于最大后验估计的可扩展半定松弛方法

    本文介绍了一种基于新的半定松弛形式 (SDR) 的最大后验推理方法，用于在大规模马尔科夫随机场上求解 MAP 问题，并采用 SDPAD-LR 交替方向乘法加速算法，取得了显著的可扩展性和计算效率。

    May, 2014

  • 受限玻尔兹曼机中的推理松弛化

    提出了一种基于松弛的近似推断算法，用于在二元成对马尔可夫随机场中采样接近最大化后验的配置，应用于多个限制波尔兹曼机中的 MAP 推断任务，并使用底层采样器估算了限制波尔兹曼机的对数划分函数，并与其他基于采样的方法进行了比较。

    Dec, 2013

  • 利用平面子问题加强 MRF 松弛

    该研究提出一种新技术，用于计算平面马尔科夫随机场的最小能量配置的下界，该方法通过双重分解框架中的子问题表示约束，并使用次梯度技术进行优化，最终可实现对原始图表的环一致性约束。

    Feb, 2012

  • 广义序贯树 - 重新加权信息传递

    本论文提出了一种基于 Junction chains 和线性规划的算法来处理图模型中的近似 MAP-MRF 推断问题，并且在计算机视觉领域取得了一定的性能提升。

    May, 2012

  • 非凸能量松弛的子标记精确方法

    本文提出了一种基于函数提升的新型空间连续凸松弛框架，旨在解决多标签问题，与之前提出的基于函数提升的方法相比，本方法基于分段凸近似，因此需要更少的标签；与最近的基于 MRF 的方法相比，本方法在一个空间连续设置中进行，并且显示较少的栅格偏差；此外，本文的公式在局部意义上是可能得到的最紧凑的凸松弛，易于实现并允许在 GPU 上进行高效原始 - 对偶优化。本方法在几个计算机视觉问题上的效果证明了其有效性。

    Dec, 2015

  • 图形模型中的 MAP 估计的 Lagrangian 松弛

    采用拉格朗日松弛技术，将不可解的估计问题重新定义为更可处理的图上问题，通过相应约束的松弛最大化优化问题，并应用于离散和高斯图模型的 MAP 估计及优化问题中。

    Sep, 2007

  • 通过基于图模型的迭代松弛推断达到最大持久性

    本文提出了一种用于找到 NP 难问题下离散图像模型 MAP 推理的部分最优解的算法，并通过使用一个线性规划松弛的精确求解器，标记出一些标签作为其最大可能的标签。

    Aug, 2015

  • 通用图模型 MAP 推断的剪枝部分最优化

    本文提出了一种新的多项式时间算法来解决最小化无向图模型的能量问题，利用凸松弛方法得到部分最优非松弛积分解，并采用迭代修建策略优化算法，相较之前的方法表现更好。

    Oct, 2014

  • 自适应松弛 ADMM：收敛理论和实践实现

    本文针对解决计算机视觉和机器学习应用中涉及到的非可微目标函数和约束的优化问题所采用的交替方向乘子法，提出了一种自适应的松弛 ADMM（ARADMM）方法，旨在通过自动调节关键算法参数，实现最佳性能而无需用户监管。通过对 ARADMM 进行详细的收敛性分析，并在几个应用实例上展示了其快速实际收敛性能。

    Apr, 2017