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
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
本文提出了一个有潜在变量的结构化预测的统一框架,包括隐藏的条件随机场和潜在的结构支持向量机。通过对偶性描述了这种普遍公式的局部熵逼近,在图像分割和从单个图像中理解三维室内场景的任务中表现出不错的效果,比潜在结构支持向量机和隐藏条件随机场方法要好。
Jun, 2012
该论文介绍了在自然语言处理和机器学习中,为了提高模型性能和解释性,学习离散结构的方法。论文提出了三种主要的方法:代理梯度、连续松弛和基于采样的边缘似然最大化,最终总结了这些方法的应用和学习的潜在结构的检查。
Jan, 2022
本文提出了一种新的基于图的方法来进行语义解析,解决了文献中观察到的两个问题:(1) seq2seq 模型无法完成组合泛化任务;(2) 使用短语结构解析器的先前工作无法涵盖树库中观察到的所有语义解析。我们证明了两个优化算法的正确性,用基于约束平滑和条件渐变的方法近似解决这些推断问题。实验证明,我们的方法在 Geoquery、Scan 和 Clevr 上都具有最先进的效果,包括在测试组合泛化的过程中。
Feb, 2023
本文介绍了一种新的方法来恢复具有约束拓扑结构的图模型,方法使用了一个潜在结构来驱动一个惩罚矩阵,并同时执行变量之间的条件依赖图和隐含变量的推断
Oct, 2008
本文提出一种基于得分的方法来学习因果图,探讨了如何在存在潜在混淆因素的情况下进行因果结构的发现,并通过提出的贪心算法在合成数据上与现有算法进行比较。
Oct, 2019
通过生成上下文无关文法来组织矩阵分解模型以进行模型选择,使用小型可重用算法估计预测似然和推断潜在组件,通过贪心搜索自动选择分解结构。
Oct, 2012
通过 Gumbel 扰动和可微分动态规划,我们实现了概率模型中项目依存树的学习,进而在情感分析和自然语言推理任务中取得了良好的效果,并在一个合成结构归纳任务中研究了其性质。
Jun, 2019
本文介绍一种新的基于 latent variable 的神经机器翻译模型 LaSyn,通过修改基于 transformer 的 NMT 系统并使用基于词性信息的神经期望最大化算法作为 latent sequences 的正则化方法,实现了对目标语言句子结构的有效和高效推理,从而提高了翻译的质量和多样性。
Aug, 2019