抬升的混合变分推断

AAAIJan, 2020

Lifted Hybrid Variational Inference

Yuqiao Chen, Yibo Yang, Sriraam Natarajan, Nicholas Ruozzi

TL;DR本文研究了适用于混合域的近似变分方法及其对称性，展示了这些方法较现有的基于信息传递的方法更具有可伸缩性和优越性能，并提出了 Bethe 近似在建模多样本方面的一个充分条件。

Abstract

A variety of lifted inference algorithms, which exploit model symmetry to reduce computational cost, have been proposed to render inference tractable in probabilistic relational models. Most existing

lifted inference algorithms probabilistic relational models variational approaches hybrid domains bethe approximation

发现论文，激发创造

抬升的关系变分推断

本文提出了一种高效的关系变分推断算法，用于将大规模概率混合物模型转化成简单的变分模型，以提高推理效率，并通过使用隐变量消去或抽样方式计算变分模型上的边缘概率。

Oct, 2012

非对称图模型的升级概率推理

介绍了一种基于概率抽样的推理框架，利用图形模型中的近似对称性来提出在马尔可夫链中进行选择的步骤，以改进概率估计并保持无偏。

Dec, 2014

树提升重赋权变分推断

本文探讨对高度对称图形模型的变分推断方法，提出一种可以更高效求解该类图形模型的提升式紧凑公式，并通过使用新颖的交换聚类一致性约束来提高 TRW 上界。

Jun, 2014

关系域中的提升因果推断

利用参数因果因子图的抬升推断算法，在概率图模型中加速计算关系领域的因果效应。

Mar, 2024

自动编码变分贝叶斯

本文介绍了一种基于随机变分推理 (Variational Inference) 的学习算法，可以为存在潜变量的、具有难以处理的后验分布的连续概率模型提供有效的推理和学习方法，特别是在大型数据集下具有较好的表现，且已经在实验上得到了验证。

Dec, 2013

变分推断的进展

本文综述了变分推断中的最新趋势，介绍了标准的均值场变分推断，然后回顾了最近的进展，包括可扩展的 VI，通用的 VI，准确的 VI 以及摊余的 VI，并提供有关未来研究方向的总结。

Nov, 2017

使用变分推断的半监督随机多领域学习

该研究提出了一种基于潜变量模型的多领域学习系统方法，可用于提取重要的领域信号，并在对抗性学习等方法中，相对于其他对比基准领域适应方法，显著提升了性能。

Jun, 2019

分布式变分推断在在线监督学习中的应用

开发智能传感器网络推理问题的高效解决方案对于下一代位置、跟踪和地图服务至关重要。本文开发了一种适用于连续变量、难以处理的后验概率和大规模实时数据的可扩展分布式概率推理算法。

Sep, 2023

更贝叶斯：具有不确定性的领域不变学习

本文提出了一种基于概率框架和可分变贝叶斯推理的方法，将不确定性引入神经网络权重来处理由于目标域数据不可访问引起的域移位和不确定性挑战。实验结果表明，该方法在四个广泛使用的交叉域视觉识别基准测试中始终提供最先进的平均准确性。

May, 2021

Bethe 投影用于非局部推理

本文提出了一种方法，通过非欧几里得的投影梯度下降，并使用 Bethe 熵作为距离产生函数，以捕获强大的潜在变量的非局部统计信息，同时维持可钦定的快速推理性能，以判别地学习广泛的推理目标，并将该方法应用于结构化引用提取、手写识别和集体图模型中。

Mar, 2015