因子化概率信念跟踪
本文提出了一种将 Belief Propagation 算法扩展到量子网络的方法,并研究了量子 Markov Networks 的结构,探讨了使用量子 Belief Propagation 作为一种启发式算法的可能性。最后,描述了该方法在量子纠错编码和模拟多体量子系统中的应用。
Aug, 2007
我们提出了一种在高斯因子图中进行学习的方法,将所有相关的量(输入、输出、参数、潜变量)都视为随机变量,并将训练和预测视为具有不同观察节点的推理问题。我们的实验结果表明,这些问题可以通过信念传播(BP)进行高效求解,其更新在本质上是局部的,为分布式和异步训练提供了令人兴奋的机会。我们的方法可以扩展到深度网络,并提供了一种自然的方法进行连续学习:使用当前任务的 BP 估计参数边缘作为下一个任务的参数先验。在视频去噪任务中,我们展示了可学习参数相对于经典因子图方法的优势,并展示了深度因子图在 MNIST 连续图像分类上令人鼓舞的性能。
Nov, 2023
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
本文介绍了如何利用 Rao-Blackwellisation 技术来提高动态贝叶斯网络的粒子滤波算法的效率,并用两个问题来展示利用 Rao-Blackwellised 粒子滤波进行非平稳在线回归和机器人定位和地图构建的准确性。
Jan, 2013
该论文将随机规划分解成两个维度:正向和反向推断以及置信传播法和均值场变分推断等不同方法,进而提出折叠状态变分推断 (CSVI) 算法,并通过实验比较发现其与正向置信传播法是最佳的随机规划方法之一。
Mar, 2022
在集中式多智能体系统中,使用多智能体部分可观察马尔可夫决策过程(MPOMDPs)进行建模,其中动作和观察空间随着智能体数量呈指数增长,使得单智能体在线规划的价值和信念状态估计变得低效。本研究采用加权粒子滤波和可扩展的信念状态近似方法,同时解决了价值估计和状态估计的挑战,提出了基于稀疏粒子滤波信念树的在线规划算法,该算法在少量智能体的情况下表现出竞争性的性能,并在多智能体的基准测试中胜过现有算法。
Dec, 2023
介绍了一种使用共轭先验和仿射变换降低蒙特卡罗估计方差的动态机制,该机制适用于解决概率程序中可分析子结构的问题,并加以应用于顺序蒙特卡罗推断和 Anglican 等编程语言。
Aug, 2017
本文介绍了分解条件过滤器的新型滤波算法,用于同时跟踪状态和估计高维状态空间中的参数,是一种用于计算机科学、工程和地球物理过滤应用的有效工具。
Jun, 2022