该研究讨论了概率图模型的推理类型,探讨了在规划中使用的不同推理类型以及它们与具体近似或附加约束的关系,并提出了一种变分框架,用于解决在具有大规模状态空间的因式化状态马尔可夫决策过程中进行近似规划的问题。
Jun, 2024
本论文提出了一种基于 Wasserstein 空间梯度流、Fokker-Planck 方程和扩散过程的分析 mean field variational inference (MFVI) 算法的框架,旨在解决 MFVI 算法中的收敛问题。研究表明,此框架可以保证多种解决变分推断问题的算法的收敛性。
Oct, 2022
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
该论文介绍了一种基于模型的方法,利用概率推理和深度生成模型的方法,解决在空间环境中的定位、绘图、导航或自主探索等问题,并能够灵活地从数据中学习。该方法在两个不同的模拟环境中表现出了与专业最新方法相当的性能。
May, 2018
研究使用 SVI 在稀疏潜在因子模型(尤其是 BPFA)中的性能,发现使用 Gibbs 采样维护特定后验依赖关系非常有效,但在 BPFA 中不同的后验依赖关系与 LDA 不同,并且模拟内局部变量依赖性的近似方法表现最佳。
Jun, 2015
本文提出了一种基于二阶方法的随机变分推断方法,通过求解变分目标函数的 Hessian 矩阵,选择了两种数值方案来实现这种方法,通过合成和真实数据的实证评估,证实了这种方法的有效性和效率。
Mar, 2022
本文通过机器学习中的变分推断方法近似计算难以计算的概率密度,特别地,本文对变分推断的思想和现代 VI 研究中的重要问题进行了全面的讨论。
Jan, 2016
本文提出了正向反向高斯变分推断算法,利用 KL 散度的结构,能够有效逼近高斯目标分布,得到了最新颖的收敛保证。
Apr, 2023
提出了一种新的算法 Boosting Variational Inference(BVI),它基于渐进的计算,能够捕捉多模态、一般后验协方差和非标准后面形状,并且使用一个更灵活的逼近族,包括所有可能的有限混合一个参数基础分布(例如高斯)。
Nov, 2016
本文研究一种基于 Monte Carlo 采样的 “前向” 算法家族,用于解决在信念网络上计算概率推理的问题,并提出了几种改进策略以降低后验方差。
Mar, 2013