Jun, 2022

使用增量构建 - 推断 - 近似范式进行 MPE 推断

PDF
TL;DR本文提出了一种基于增量建立 - 推断 - 近似（IBIA）框架的算法，用于近似求解贝叶斯网络中最大可能解（MPE）的推断问题，该算法无需搜索，运行时间竞争力强，可在 117 个测试基准中的 100 个得到有效结果，精度与分支限界搜索相当。
发现论文，激发创造
  • IBIA：用于对配分函数进行近似推理的增量式构建 - 推理 - 近似框架

    提出了一种基于 SCTF 的方法来计算概率图模型的配分函数，并通过算法的精确性和复杂度之间权衡进行逼近推断，旨在提高计算效率和准确性。

    Apr, 2023

  • 使用 IBIA 框架的边缘近似推理

    该论文提出了一种新的基于 IBIA 范例的算法，它通过使用启发式置信度更新算法来推断边际。该方法与现有的变分和采样方法相比，在多个基准测试数据集上具有更好或相当的准确性，并且运行时间更短。

    Jun, 2023

  • IBIA：使用团树上增量建立，推理和近似操作的贝叶斯推断

    这篇文章提出了一种基于增量 - 建立 - 推理 - 近似的方法，将贝叶斯网络转化为包含一系列链接团树森林的数据结构，这些团树森林的大小由用户指定，可以用于高效的近似推理分区函数以及先验和后验的边缘概率分布。实验结果表明，相对于其他近似方法，该方法可显著减少误差并具有具有竞争性的运行时间。

    Feb, 2022

  • 概率逻辑编程的 MAP 推断

    本文探讨了在概率逻辑编程中计算最大后验概率和最可能解释的问题，并提出了一种将问题表示为二叉决策图并在其上应用动态规划过程的新算法，与 ProbLog 在多个合成数据集上的实验结果相比，PITA 的性能更佳。

    Aug, 2020

  • MAP 复杂性结果和近似方法

    本文研究了贝叶斯网络中最可信赖实例化的计算问题，证明在多种情形下该问题为 NP 完全问题，在多叉树限制下也难以有效近似，采用置信传播的局部搜索方法可提供较准确的估计。

    Dec, 2012

  • 关于最可能解释的鲁棒性研究

    本文研究贝叶斯网络中的最可能解释以及其鲁棒性问题，探讨了在单参数改变时我们能够承受多少变化而保持 MPE 不变，并描述了一个计算这个答案的过程，并且可以在时间 O (n exp (w)) 内完成。

    Jun, 2012

  • MAP 解释的复杂性结果和逼近策略

    研究了贝叶斯网络中 MAP 问题的复杂性，发现即使 MPE 和 Pr 可以轻松计算，MAP 仍然很难。为了找到一个接近最优解的算法，提出了一种通用的 MAP 近似框架，并给出了两个具体的实现，用于对那些即使 Pr 和 MPE 都难以计算的网络进行近似。实验结果表明，这些算法比标准技术提供更好的解决方案，并在许多情况下提供准确的 MAP 估计。

    Jun, 2011

  • MBPEP：提供高质量不确定性预测的深度集成剪枝算法

    介绍一种基于深度集成网络的边缘 Pareto 剪枝模型 (MBPEP)，其采用独特的损失函数使子学习者可用于标准梯度下降学习，通过多项实验分析表明 MBPEP 实现了高质量不确定性估计，适用于具有未知分布数据集的实际问题，且在多任务问题上具有良好的学习性能。

    Feb, 2019

  • 一个近似推断的通用算法及其在混合贝叶斯网络中的应用

    本文提出了一种新的方法，结合了近似推理和团树算法，通过使用统计重要性采样来估计每个团中的密度，绕过了保持团势的精确表示的限制，并使用迭代逐渐提高估计质量。

    Jan, 2013

  • 使用系统搜索精确解决 MAP 问题

    该论文介绍了一种新的、简单的 MAP 解的概率上限，并使用该上限提出了一种分支定界搜索算法，能够准确高效地解决一些网络的 MAP 问题，这些网络的约束树宽度超过了 40。

    Oct, 2012