- 无畏的期望传播中的随机性
基于期望传播的算法在概率模型的近似推断中进行 Moment 匹配更新,通过单个样本进行蒙特卡洛估计,提供了稳定性和效率的改进。
- GCEPNet: 基于图卷积增强的期望传播在大规模 MIMO 检测中的应用
基于图卷积的预期传播增强 MIMO 检测器 GCEPNet 提供更好的泛化能力和更快的推断速度,从而实现了最先进的 MIMO 检测性能。
- ICML在高斯过程模型中改善近似推断下的超参数学习
通过将变分推断用于推理,将边缘似然的直接逼近解决与非共轭似然的高斯过程模型的近似推断的问题
- ICML非平稳音频分析端到端概率推断
该研究论文介绍了如何将时间频率分析和非负矩阵分解结合为具有非静止先验的谱混合高斯过程模型,以及如何将该非线性模型的状态空间表示形式化为无限时域高斯过程回归,并演示了该推理方案在各种任务上的优越性。
- 近似推理的期望传播:自由概率框架
本文研究了期望传播方法在广义线性模型下的渐近特性,并通过自由概率理论提出了一种计算复杂度更低的方法,对于具有渐近自由特性的数据矩阵可以有效应用于微阵列数据的基因选择问题。
- 基于期望传播信号恢复的严格不变测量动力学
本文研究了基于期望传播算法的稀疏信号恢复问题,并针对输入和输出维度同时趋近于无穷大的大系统极限下,提出了一种 SE 公式,进一步验证了马和平的猜想。
- GLASSES: 缓解贝叶斯优化的近视
GLASSES 采用预期损失搜索和随机模拟预测将未来许多次的函数值考虑在内,通过使用期望传播算法计算损失预期值,在实证测试中实现了明显的性能提升。
- 基于期望传播的可扩展高斯过程分类
本文提出了一种使用期望传播方法高效地训练高斯过程分类器的方法,以应对大型数据集的训练需求;此方法可用于分布式训练和使用梯度的随机逼近最大化边缘似然估计。实验证明其与使用变分方法相比是有竞争力的。
- NIPS期望粒子置信传播
本研究提出了一种基于粒子的 Loopy Belief Propagation 实现方法,它在连续状态空间上构建了适应性高效的提议分布,使用 Expectation Propagation 框架迭代更新参数,具有更优的效果和更少的计算代价。
- NIPS随机期望传递
本文提出了一种名为随机期望传播的方法,它在维护全局后验概率近似同时采取局部化更新,用于大规模数据设置中的近似贝叶斯学习,能够几乎与完整的期望传播方法相媲美,但是将其内存消耗降低了 N 倍。
- 大数据极限下的期望传播
本研究针对 Expectation Propagation 和其依托的高斯近似方法进行研究,提出了一个操作参数空间更小的变体 averaged-EP,并在数据充分、后验近似为高斯分布的极限情况下证明了 EP 是渐近精确的,迭代行为类似于 N - 基于核的即时学习,用于传递期望传播消息
提出了一种非参数学习 Expectation Propagation(EP)中消息操作符的高效策略,该方法使用基于内核的回归,以代替经典 EP 中所需的多元积分,并具有原理性的不确定性估计,能够在遇到不确定的情况下快速更新,适用于具有多个数 - NIPS使用核方法传递期望传播消息
该文研究了一种基于核函数的消息算子,可用于处理传统 EP 算法中计算传递消息所需进行的特别复杂的积分运算,已具有了一定的自动化推理能力,有望实现各种因素的采样。
- 基于贝叶斯的留一法交叉验证近似方法应用于高斯潜变量模型
本文主要研究了 Bayesian model 的 Bayesian cross-validation 技术在高斯潜在变量模型中的应用,通过 Laplace method 或 expectation propagation 方法来估计与推断, - 期望传播作为一种生活方式:基于分区数据的贝叶斯推断框架
本文介绍一种将期望传递作为分布式贝叶斯推断的框架,避免了传统方法在本地推断时需要将先验分割的问题,提出了一般算法框架,并展示了其在分层数据和参数分区中的应用。
- ICML群集图模型的高斯逼近
该论文研究了针对集体统计数据的 Collective Graphical Model(CGM)的高斯近似方法,证明了当样本量增大时,其分布趋近于一个多维高斯分布(GCGM),并探讨了基于不同噪声模型的推断方法。研究结果表明,GCGM 推断方 - 非平稳异方差高斯过程回归的近似推断
本文提出了一种用于高斯过程回归中噪声和信号方差的不精确积分的新方法,并使用期望传播进行推理,在两个模拟数据集和三个实证示例中与马尔可夫链蒙特卡罗方法进行比较。结果表明,期望传播能够产生可比较的结果,而计算量较小。
- 稀疏先验期望传播神经网络
本文介绍了一种非线性回归的新方法,使用具有稀疏性偏好的分层先验的两层神经网络模型结构。作者运用期望传播(EP)方法来近似计算权重、先验层级比例系数以及残差层级比例系数的后验分布,并提出了一种可扩展的方法来定义具有不同稀疏属性的权重先验。作者 - 期望传播用于近似贝叶斯推断
本研究提出了一种新的确定性逼近方法 ——“期望传播”,它将两种先前的技术统一起来,即卡尔曼滤波器的扩展和贝叶斯网络中一种置信传播方法的扩展;试图恢复一个近似分布,其 KL 散度接近真实分布,并且 Experiments with Gauss - 一般似然函数的稀疏后验高斯过程
提出一种基于稀疏高斯过程的框架,使用期望传播直接逼近一般高斯过程的似然函数,既包括了 SPGP 和 VSGP 用于回归的特殊情况,又兼顾了在线处理数据的能力,可用于解决分类问题。在基准数据集上的实验表明,该框架在小样本规模下,不仅能够最大程