- 聚合数据推理:一种最优传输方法
本文提出了一种新的高效置信传播算法 Sinkhorn belief propagation (SBP),用于基于大量个体生成的聚合数据的概率图模型的推断问题。该算法基于最优传输理论并具有全局收敛保证,特别适用于隐马尔可夫模型的情况。
- CVPR信念传播再进化:学习 BP 层用于标签问题
本文提出一种基于深度学习模型的简化 Belief Propagation 方法 (BP Layer),并将其作为卷积神经网络 (CNNs) 的中间层或者最终层来解决密集预测问题,如立体,光学流和语义分割等。
- 因子图上基于神经网络的增强置信传播
本文提出了一种新的混合模型,将因子图神经网络与置信传播结合起来,通过每一次迭代交替地运行,从而在误差纠正编码任务方面优于置信传播。
- 基于深度学习的极化码设计
通过使用深度学习建立极化码,我们将信息 / 冻结比特索引表示为二进制向量,并通过梯度下降优化这个向量,同时考虑译码器,实现了在 AWGN 和 Rayleigh 信道上的很好表现的极化码设计。
- 置信传播算法中的准确度 - 内存平衡及相变
我们证明了 Evans,Kenyon,Peres 和 Schulman(2000)的猜想,该猜想表明有限内存的消息传递算法在重构问题上在统计上比置信传播要弱得多,并且通过将递归重构、信息论和最优输送的工具结合起来,还建立了 BP 和其他消息 - MM信念传播快速收敛于全局最优解:超越相关性衰减
研究图模型中 “信念传播” 的收敛性及其在 Ising 模型中的应用。
- MM基于遗传算法的极化码在 AWGN 信道上的构建
本文提出一种基于 Genetic Algorithm 的新型极化码构造框架,通过演化变换不同的信息集来适应于指定的译码算法,而不是基于不一定最优的假设;使用该算法,我们构造了一种极化码,无须 CRC 辅助,达到了与 CRC 辅助 SCL 译 - 稀疏图上的极化解码与深度学习
本文提出了一种基于置信传播和深度学习的稀疏神经网络解码器 (SNND),用于极化码的解码,取得了与复杂的累加 - 乘算法相近的性能,尤其在解码延迟方面显著降低。
- 基于图神经网络的概率图模型推理
使用图神经网络作为一种有利于推断任务的推送算法,对于在循环密集的概率有向图上显著优于置信传播算法
- 深度学习提高线性编码解码的方法
探讨利用深度学习方法改进信道解码器进行线性码的近似最优的解码,发现可以通过构建循环神经网络的体系结构来实现解码器参数的绑定,以此有效降低参数数量并提升性能。
- 使用多个传感器跟踪未知数量目标的可扩展算法
本文提出了一种基于因子图的置信传播方法,用于跟踪未知数量的目标,实现了低计算复杂度和优秀的可扩展性,具有比其他方法更加有利的计算复杂度,能够适用于目标跟踪等领域。
- 使用深度学习学习解码线性码
提出了一种基于深度学习方法改进置信传播算法的新方法。该方法通过对 Tanner 图的边进行加权来推广标准置信传播算法,然后使用深度学习技术进行训练。该方法能够保留传统算法的性能独立性,从而只需要学习一个码字而不是指数数量的码字,并在各种纠错 - ICML基于信念传播的众包分类最优推断
本文研究了在众包标注过程中,利用 Dawid-Skene 模型恢复错误标注并输出正确标注问题,提出了一种更紧密的下限和 Belief Propagation (BP) 算法来解决这一问题。实验结果表明,BP 是所有算法中最优的。
- 多聚类随机块模型中的检测:实现猜想的证明,无环 BP 和信息计算差距
该论文证明了随机块模型的一个猜想,提出了一种非对称的社区检测算法,并将其与信念传播和谱方法联系起来,同时展示了信息论计算差距在其中的应用。
- 度相关随机块模型中的密度演化
本文考虑二元随机块模型,研究平均误分类顶点的最小分数,结果表明,当群集大小平衡且 μ≠ν 时,平均误分类顶点数量的最小分数由 Q(sqrt(v *))给出,并由局部算法(即置信传播)在边数线性时间内实现,证明技巧基于将群集恢复问题与树重建问 - AAAI基于二元马尔可夫网的置信传播线性化
本文提出了一种基于解线性方程组的方法,用于近似解决循环因子带权 Markov 随机场的置信传播问题,并且这种方法能够同时享有完全收敛的保证和较快的矩阵实现、适应于异质网络的特点。实验结果表明,在节点权重较弱的网络图上,这种线性化的方法在保证 - KDD线性分解函数回归
该文介绍了一种新的回归算法,它学习线性因子函数,并解决了维度灾难的问题,可用于信念传播和强化学习等应用。通过正则化的贪心优化方案,在训练期间学习因子基函数。新的回归算法在基准任务上表现竞争力,学习的线性因子函数相当精简。
- 用贝叶斯方法对一位压缩感知进行信号重建
本文提出了一种贝叶斯方法来解决 1 比特压缩感知问题的信号重建,并使用统计力学分析了其性能。其中,利用信念传播算法进行信号重建的数值实验结果与理论分析结果一致。
- 联合图传播算法
本研究探讨了基于限制推理的参数化近似传递消息方案,这些方案受 Pearl 的信仰传播算法(BP)启发。算法 IJGP 属于广义信仰传播算法的类别,并在几类网络上得出比 mini-clustering 和信仰传播以及其他一些先进算法更好的表现 - 逼近 Bethe 分割函数
本文介绍了一种改进的算法,基于分析 Bethe 自由能的一阶导数,能为吸引二元成对最大团场提供全多项式时间近似方案(FPTAS),该方法适用于一般的(非吸引性)模型,这个算法能够在都不收敛情况下,为杂乱电力网络中设备失效预测提供良好的表现。