Improved Mean and Variance Approximations for Belief Net Responses via Network Doubling
University of Alberta(阿尔伯塔大学)
贝叶斯信念网络模型的联合分布与有向无环图表示变量和网络参数之间的依赖关系表征条件分布。这些参数被视为随机变量,以量化其值的不确定性。信度网用于计算对查询的响应;即,兴趣的条件概率。查询是参数的函数,因此是随机变量。Van Allen等人(2001,2008)展示了如何通过方差的delta方法近似来量化查询的不确定性。我们开发更准确的近似查询均值和方差。其关键思想是将查询均值近似扩展到包含两个独立副本的“双重网络”。我们的方法假设完整的数据,可以应用于离散,连续和混合网络(提供离散变量只有离散的父母)。我们分析了几个改进,并提供实证研究,以证明其有效性。
2012-05-09 cs.AI
Laplace's Method Approximations for Probabilistic Inference in Belief Networks with Continuous Variables
Stanford University(斯坦福大学);University of Sao Paulo(圣保罗大学)
拉普拉斯方法,一个家庭的渐近方法用于近似积分,提出了作为一个潜在的候选人的工具箱的技术用于知识获取和概率推理的信念网络与连续变量。在许多有趣的情况下,该技术以合理的精度近似后验矩和边缘后验分布[后验均值的误差为O(n^-2)]。该方法似乎也有前途的贝叶斯因子的计算近似的背景下使用的模型选择,模型的不确定性和混合PDF。拉普拉斯方法的实施的局限性,规律性条件和计算困难与最大似然和后验模式分析的方法相关联。
2013-02-27 cs.AI
Approximations in Bayesian Belief Universe for Knowledge Based Systems
Aalborg University(奥尔堡大学)
当基于因果概率网络的专家系统达到一定的规模和复杂度时,往往会出现“组合爆炸怪物”。我们提出了一个近似方案,确定很少发生的情况下,并排除这些被处理为普通情况下,在基于CPN的专家系统。根据CPN的拓扑结构和概率分布,底层数值表示中的数字(表示状态组合的概率)可以变得非常小。通过数据结构化技术消除这些数字并利用由此产生的稀疏性通常会导致计算机资源消耗的几个数量级的改善。建立了通过近似引入到基于CPN的专家系统中的误差的界。最后,报告的实证研究应用的近似计划,以现实世界的CPN。
2013-03-27 cs.AI
Empirical Evaluation of Approximation Algorithms for Probabilistic Decoding
University of California, Irvine(加州大学尔湾分校)
最近表明,通过噪声信道传输的解码消息的问题可以用公式表示为概率网络上的信念更新任务[McEliece]。此外,据观察,迭代应用(线性时间)珍珠的信念传播算法设计的多边形树优于最先进的解码算法,即使相应的网络可能有许多周期。本文证明了经验的近似算法approx-mpe解决最可能的解释(MPE)问题,最近提出的小桶消除框架内[Dechter 96],优于迭代置信传播类的编码网络,有界的诱导宽度。我们的实验表明,近似MPE解码器可以很好的竞争对手的近似信念更新解码器。
2013-01-30 cs.AI
A note on belief structures and S-approximation spaces
Vali-e-Asr University of Rafsanjan(拉夫桑詹瓦利阿斯尔大学);IST Austria (Institute of Science and Technology Austria)(奥地利科学技术研究所);University of Mohaghegh Ardabili(莫哈格赫·阿尔达比里大学);University of Isfahan(伊斯法罕大学)
研究了证据理论与S-逼近空间之间的关系。这两个理论都有其根源在分析Dempster的多值映射和上下概率,并有密切的关系,粗糙集。我们证明了一个S-近似空间,满足单调性条件,可以诱导一个自然的信念结构,这是一个基本块的证据理论。我们还证明了,人们可以诱导一个自然的信念结构上的一个集合,给定的信念结构上的另一个集合,如果这些集合是相关的部分单调S-近似空间。
2020-03-28 cs.AI math.LO
Causal Belief Decomposition for Planning with Sensing: Completeness Results and Practical Approximation
Universidad Simón Bolívar(西蒙·玻利瓦尔大学);ICREA & Universitat Pompeu Fabra(加泰罗尼亚研究与高级研究所暨庞培法布拉大学)
信念跟踪是感知规划中的一个基本问题。虽然这个问题是棘手的,它最近已被证明,对于确定性和非确定性的系统表示在紧凑的形式,它可以在时间和空间是指数的问题宽度。宽度度量与给定前提条件或目标相关的状态变量的最大数量。在这项工作中,我们在理论上和实践中推广了这个结果。首先,我们引入了一个替代的分解方案和算法,具有相同的时间复杂度,但不同的完整性保证,其空间复杂度要小得多:指数的因果宽度的问题,衡量因果相关的状态变量的数量,一个给定的前提条件,目标,或观察。其次,我们引入了一个快速,有意义的,和强大的近似,贸易的完整性的速度,并在时间和空间指数的问题因果宽度。然后,经验表明,该算法与简单的算法相结合,产生国家的最先进的实时性能域具有高的宽度,但低的因果宽度,如扫雷舰,战舰,和Wumpus。
2019-09-26 cs.AI
BetaZero: Belief-State Planning for Long-Horizon POMDPs using Learned Approximations
Stanford University(斯坦福大学)
BetaZero将离线神经网络近似与在线蒙特卡洛树搜索结合,用于高维POMDP的信念状态规划,通过Q加权访问计数策略训练,在多个基准和矿产勘探任务中优于现有求解器。
2024-07-31 cs.AI
Optimal Belief Approximation
Max-Planck-Institut für Astrophysik(马克斯·普朗克天体物理研究所);Ludwig-Maximilians-Universität München(慕尼黑大学)
在贝叶斯统计中,概率分布表示信念。然而,对于许多问题的信念不能计算分析和近似的信念是必要的。我们寻求一个损失函数来量化传达一个给定的近似值有多"尴尬"。我们复制并讨论了一个旧的证明,表明只有一个排名的要求下,(1)最好的排名近似是非近似的信念和(2)排名判断近似只通过他们的预测的实际结果。在推导中获得的损失函数等于归一化时的Kullback-Leibler散度。这种损失函数在文献中经常使用。然而,似乎有混乱的正确顺序,其功能的论点,近似和非近似的信念,应该使用。正确的顺序可确保通信的接收者只被剥夺最少量的信息量。我们希望这个基本推导能解决这个明显的混淆。例如,当用高斯分布近似置信时,通过矩匹配给出最优逼近。这与许多建议的计算方案相反。
2017-08-03 cs.AI math.ST physics.data-an
A Randomized Approximation Algorithm of Logic Sampling
Stanford University(斯坦福大学)
近年来,决策分析和人工智能(AI)领域的研究人员已经使用贝叶斯信念网络来构建专家意见模型。使用从计算复杂性理论中得出的标准方法,该领域的工作者已经证明,在最坏的情况下,在信念网络上的精确概率推理问题几乎肯定需要指数计算[3]。我们之前已经描述了一个随机近似方案,称为BN-RAS,用于信念网络上的计算[ 1,2,4]。我们给出了BN-RAS收敛的精确解析界,并展示了如何在后验边际概率的评估中以运行时间换取准确性。现在,我们扩展了我们以前的结果,并通过将类似的数学技术应用于逻辑采样[7]的收敛性分析来证明我们框架的通用性,逻辑采样[7]是概率推理的另一种模拟算法。
2013-03-27 cs.AI
Consistent transformations of belief functions
Oxford Brookes University(牛津布鲁克斯大学)
一致性信念函数表示一致或非矛盾证据的集合,但它们大多是信念演算中一致性知识库的对应物。使用一致的转换cs[.]因此,在推理过程中保证一致性是可取的,并推广了经典逻辑中的类似技术。变换可以通过最小化原始置信函数和一致置信函数集合之间的适当距离度量来获得。我们在这里集中的情况下,距离测量使用经典的Lp规范,在“质量空间”和“信仰空间”表示的信仰功能。虽然质量一致近似将未聚焦在框架的选定元素上的质量重新分配给整个框架或平等地分配给元素的所有超集,但置信空间中的近似确实根据“聚焦一致变换”原理区分这些焦点元素。不同的近似解释和比较,与例子的帮助。
2014-07-30 cs.AI stat.ME
Tractable Inference for Complex Stochastic Processes
Stanford University(斯坦福大学)
任何动态系统的监测和控制,关键取决于对其当前状态和未来轨迹进行推理的能力。在随机系统的情况下,这些任务通常涉及使用置信状态-在给定时间点过程状态的概率分布。不幸的是,复杂过程的状态空间非常大,使得信念状态的显式表示难以处理。即使在动态贝叶斯网络(DBN)中,过程本身可以被表示为复杂的,表示的信念状态是棘手的。我们调查的想法,保持一个紧凑的近似真实的信念状态,并分析的条件下,由于采取的近似过程的生命周期的错误不积累,使我们的答案完全无关。我们发现,在一个信念状态的合同呈指数的过程中的错误演变。因此,即使使用多重近似,我们的过程中的误差仍然无限有界。我们展示了如何DBN的附加结构可以用来设计我们的近似方案,显着提高其性能。我们证明了我们的想法在监控任务的背景下的适用性,表明数量级更快的推理可以实现只有一个小的精度下降。
2013-01-30 cs.AI
Anytime Point-Based Approximations for Large POMDPs
McGill University(麦吉尔大学);Carnegie Mellon University(卡内基梅隆大学);Stanford University(斯坦福大学)
部分可观测马尔可夫决策过程长期以来被认为是现实世界规划和控制问题的丰富框架,特别是在机器人领域。然而,在这个框架中的精确解通常是计算上难以处理的,但最小的问题。一种用于加速POMDP求解的众所周知的技术涉及在特定的信念点执行值备份,而不是在整个信念单形上执行值备份。然而,这种方法的效率在很大程度上取决于点的选择。本文提出了一套新的技术,选择信息的信念点,在实践中工作得很好。点选择过程与基于点的值备份相结合,形成一个有效的随时POMDP算法称为基于点的值迭代(PBVI)。本文的第一个目的是介绍这种算法,并提出了一个理论分析证明选择的信念选择技术。本文的第二个目的是提供一个彻底的实证比较PBVI和其他国家的最先进的POMDP方法,特别是英仙座算法,在努力突出他们的相似性和差异。使用标准POMDP域和现实的机器人任务进行评估。
2011-10-04 cs.AI
Using Tree-Decomposable Structures to Approximate Belief Networks
Louisiana State University(路易斯安那州立大学)
树结构已被证明为传播信念提供了一个有效的框架[Pearl,1986]。本文研究了寻找最优逼近树的问题。三个二元变量的星分解方案[Lazarsfeld,1966; Pearl,1986]被证明可以增强支持树结构的概率分布类,这种结构被称为树可分解结构。对数评分规则被发现是一个适当的最优性标准,以评估不同的树可分解的结构。最接近于实际的信念网络的结构的特性,确定使用对数规则,贪婪和精确的技术来找到最佳的近似。
2013-03-06 cs.AI
Optimal Monte Carlo Estimation of Belief Network Inference
Stanford University(斯坦福大学)
我们提出了两个蒙特卡罗抽样算法的概率推理,保证多项式时间收敛的一个更大的类的网络比目前的抽样算法提供。这些新方法是已知的似然加权算法的变体。我们使用最佳停止规则理论的最新进展,蒙特卡罗模拟,以获得一个推理近似的相对误差和一个小的失败概率δ。我们提出了一个实证评估的算法,证明其改进的性能。
2013-02-13 cs.AI
Approximate inference on planar graphs using Loop Calculus and Belief Propagation
Radboud University Nijmegen(拉德堡德大学奈梅亨分校);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
我们介绍了新的结果近似推理平面图形模型使用循环演算框架。循环演算(Chertkov和Chernyak,2006)允许将图形模型的精确分区函数表示为有限项和,一旦置信传播(BP)解决方案已知,就可以对其进行评估。一般来说,对所有校正项的完全求和是难以处理的。我们开发了一种算法,用于(Certkov等人,2008),它代表了一个有效的截断计划,平面图和一个新的表示的系列在Pfrons的矩阵。我们分析了网格和其他平面图上的二元变量和成对相互作用模型的配分函数近似算法的性能。我们详细研究了环路系列和等效Pfwean系列,并表明Pfwean系列的第一项的一般,棘手的平面模型,可以提供非常准确的近似。该算法优于以前的截断计划的循环系列和竞争力与其他国家的最先进的近似推理方法。
2009-05-25 cs.AI
A Scalable Method for Solving High-Dimensional Continuous POMDPs Using Local Approximation
Washington University in St. Louis(圣路易斯华盛顿大学)
部分可观测马尔可夫决策过程(POMDP)通常通过找到相应的信念MDP的近似全局解来求解。本文针对具有连续状态、动作和观测空间的POMDP问题,提出了一种新的规划算法。由于这样的域具有固有的局部性概念,我们可以使用局部优化方法找到近似解。我们参数化的信念分布为高斯混合,并使用扩展卡尔曼滤波器(EKF)近似的信念更新。由于EKF是一阶滤波器,因此我们可以通过分析对观测值进行边缘化。通过在政策执行期间使用反馈控制和状态估计,我们可以恢复有效地取决于传入观察的行为,尽管是无条件的规划。局部优化提供了没有保证的全局最优性,但它允许我们处理域,至少是一个数量级大于目前最先进的。我们证明了我们的算法的可扩展性,考虑模拟手眼协调域与16个连续的状态维度和6个连续的动作维度。
2012-03-15 cs.AI
Finding Approximate POMDP solutions Through Belief Compression
Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学);Stanford University(斯坦福大学)
标准价值函数方法寻找部分可观测马尔可夫决策过程(POMDPs)的政策,通常被认为是棘手的大型模型。这些算法的棘手性在很大程度上是在整个信念空间上计算精确的最优策略的结果。然而,在现实世界的POMDP问题,计算最优策略的完整的信念空间往往是不必要的良好的控制,即使是复杂的政策类的问题。控制器所经历的信念通常位于嵌入在高维信念空间中的结构化的低维子空间附近。找到仅针对该子空间的最优价值函数的良好近似比计算完整的价值函数容易得多。我们介绍了一种新的方法来解决大规模POMDPs通过降低信仰空间的维数。我们使用指数族主成分分析(Collins,Dasgupta和Schapire,2002)来表示稀疏的,高维的信念空间,使用信念状态的小集合的学习特征。然后,我们仅根据低维信念特征进行规划。通过在这个低维空间中进行规划,我们可以找到POMDP模型的策略,这些策略比传统技术可以处理的模型大几个数量级。我们演示了使用该算法的合成问题和移动机器人导航任务。
2011-10-04 cs.AI
Learning unbelievable marginal probabilities
University of Rochester(罗切斯特大学);Columbia University(哥伦比亚大学)
Loopy belief propagation在具有循环的图形模型上执行近似推理。人们可能希望通过调整模型参数来补偿近似值。用于此目的的学习算法以前已经探索过了,并且已经声称每一组局部一致的边缘都可以从在图形模型上运行的置信传播中产生。相反,在这里,我们表明,许多概率分布的边际不能通过使用任何一组模型参数或任何学习算法的信念传播。我们称这种边缘化为“难以置信”。只要贝特自由能的海森函数在目标边缘不是正定的,就会出现这个问题。所有用于信念传播的学习算法在这些情况下必然失败,产生甚至可能比预学习近似更差的信念或信念集。然后,我们表明,平均不准确的信念,每个信念传播使用模型参数扰动一些学习的平均值,可以实现令人难以置信的边际。
2011-06-02 cs.AI cs.LG
Decision-Aware Approximation of Belief Functions for Evidential Combinatorial Optimization
Univ. Artois(阿图瓦大学);UR 3926(UR 3926机构);Laboratoire de Génie Informatique et d’Automatique de l’Artois (LGI2A)(阿图瓦计算机与自动化实验室(LGI2A))
针对为带证据成本的线性组合优化提供输入的质量函数,提出决策感知近似方法,其决策时的决策翻转频率低于传统表示感知压缩。
2026-08-12 cs.AI math.OC
Approximate inference on planar graphs using Loop Calculus and Belief Propagation
Radboud University Nijmegen(奈梅亨拉德堡德大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
我们介绍了新的结果近似推理平面图形模型使用循环演算框架。循环演算(Chertkov和Chernyak,2006 b)允许将图形模型的精确分区函数Z表示为有限项和,一旦置信传播(BP)解已知,就可以对其进行评估。一般来说,对所有校正项的完全求和是难以处理的。我们为Chertkov等人(2008)中提出的方法开发了一种算法,该算法代表了平面图上的有效截断方案和矩阵Pfirmans级数的新表示。我们详细分析了循环系列和Pfweian系列的二进制变量和成对相互作用的模型,并表明Pfweian系列的第一项可以提供非常准确的近似。该算法优于以前的截断计划的循环系列和竞争力与其他国家的最先进的近似推理方法。
2014-08-09 cs.AI
iX-BSP: Incremental Belief Space Planning
Technion - Israel Institute of Technology(以色列理工学院)
决定下一步怎么办?是机器人学和人工智能中的一个基本问题。在信念空间规划(BSP)下,在部分可观察的环境中,它涉及计算期望的累积信念依赖奖励,其中期望是关于所有未来测量的。由于解决这个一般的非近似问题很快变得棘手,因此现有技术的方法转向近似,同时仍然从头开始计算计划会话。在这项工作中,我们提出了一种新的范例,增量BSP(iX-BSP),基于关键的洞察力,跨规划会话的计算在性质上是相似的,可以适当地重复使用。我们通过利用多个重要性采样技术,选择性地重新采样和重新使用以前的规划会议的测量,逐步计算期望值。我们的方法的制定考虑一般分布和帐户的数据关联方面。我们演示了如何iX-BSP可以受益于现有的近似的一般问题,介绍iML-BSP,它重用计算跨规划会话下常见的最大似然假设。我们评估了这两种方法,并证明了计算时间的大幅减少,同时在统计上保持准确性。评估包括模拟和现实世界的实验,考虑自主视觉导航和SLAM。作为进一步的贡献,我们介绍了iX-BSP的非积分野火近似,允许一个交易的计算性能的准确性,避免更新重用的信念时,他们是“足够接近”。我们评估iX-BSP下野火证明了计算时间的大幅减少,同时控制精度牺牲。我们还提供了分析和经验的野火持有的效果超过客观价值的界限。
2021-02-28 cs.AI cs.RO
Optimality Guarantees for Particle Belief Approximation of POMDPs
University of California, Berkeley(加州大学伯克利分校);University of Colorado Boulder(科罗拉多大学博尔德分校);Stanford University(斯坦福大学)
本文界定了POMDP与其有限样本粒子信念MDP(PB-MDP)近似之间的误差,借此将基于采样的MDP算法适配至POMDP,提供了收敛性保证,并通过Sparse-PFT算法验证了其性能。
2023-10-19 cs.AI cs.RO cs.SY
Selecting Belief-State Approximations in Simulators with Latent States
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出了一种在具有潜在状态的模拟器中选择信念状态近似的方法,通过归约条件分布选择任务,探讨了两种不同的形式化方法及其在不同roll-out方法下的表现差异。
2025-11-25 cs.AI cs.LG stat.ML
Anytime Belief Propagation Using Sparse Domains
University of Massachusetts(马萨诸塞大学);University College London(伦敦大学学院)
置信传播算法在边缘推理中得到了广泛的应用,但在大范围变量和高阶因子的情况下,置信传播算法的速度较慢。以前的工作提供了有用的近似,以促进对这些模型的推断,但缺乏重要的随时属性,如:1)提供准确和一致的边缘时,提前停止,2)改善近似时,运行时间更长,3)收敛到BP的不动点。为此,我们提出了一个消息传递算法,工作在稀疏(部分实例化)域,并使用动态消息调度收敛到一致的边缘。该算法递增地增长稀疏域,使用基于边缘推理目标的梯度的优先级方案来选择要添加的下一个值。我们的实验证明了本地任何时候的一致性和快速收敛,提供了显着的加速比BP,以获得低误差边缘:高达25倍的网格模型,高达6倍的真实世界的自然语言处理任务。
2013-11-14 cs.AI cs.LG stat.ML
A New Approach to Updating Beliefs
IBM Almaden Research Center(IBM阿尔马登研究中心)
我们定义了一个新的概念,条件信念,它扮演着相同的作用,Dempster-Shafer信念函数的条件概率概率的概率函数。我们的定义不同于Dempster给出的标准定义,并且避免了该定义的许多众所周知的问题。正如条件概率Pr(lB)是一个概率函数,它是条件B为真的结果,所以我们的条件信念函数Bel(lB)也是一个信念函数,它是条件B为真的结果。我们将条件信念定义为一个条件概率函数族的下包络(即inf),并提供了一个封闭形式的表达式,通过考虑早期论文[Fagin和Halpern,1989]中的思想,我们将信念函数与内部测度联系起来,提供了理解条件信念定义的另一种方式。特别是,我们在这里展示了如何将条件概率的定义扩展到不可测集,以获得内部和外部条件概率的概念,考虑到我们缺乏信息,这些条件概率可以被视为真实条件概率的最佳近似。我们对条件信念的定义与我们对内部条件概率的定义完全相似。
2013-03-27 cs.AI cs.LO
Adaptive Information Belief Space Planning
Technion - Israel Institute of Technology(以色列理工学院);Department of Aerospace Engineering(航空航天工程系);Technion Autonomous Systems Program(以色列理工学院自主系统项目)
对不确定性的推理在许多现实生活中的自治系统中至关重要。然而,目前最先进的规划算法不能明确地推理不确定性,或者这样做具有很高的计算负担。在这里,我们专注于有效地做出明智的决策,使用明确处理不确定性的奖励函数。我们制定了一个近似,即一个抽象的观察模型,使用聚合方案,以减轻计算成本。我们推导出的预期信息理论的奖励函数的界限,因此,在价值函数。然后,我们提出了一种方法来细化聚合,以实现相同的动作选择的一小部分的计算时间。
2022-01-28 cs.AI cs.RO
Discriminated Belief Propagation
好的差错控制码的近最佳解码通常是一项困难的任务。然而,对于某种类型的(足够)好的代码,存在具有接近最佳性能的有效解码算法。这些代码通过具有低复杂度网格表示的组成代码的组合来定义。他们的解码算法是(循环)信念传播的一个实例,并且基于组成信念的迭代转移。由此,置信度由在组成网格中计算的符号概率给出。即使采用了接近最佳性能的弱组成码,即,编码器/解码器对(几乎)达到信息理论容量。然而,(loopy)的信念传播只执行一个相当特定的代码集,这限制了它的适用性。在本文中,迭代译码的推广。建议传递更多的值,而不仅仅是组成信念。这是通过独立调查代码空间的部分获得的信念的转移来实现的。这导致了鉴别器的概念,其用于在某些区域内提高解码器分辨率并定义鉴别符号信念。结果表明,这些信念近似的整体符号概率。这导致迭代规则(低于信道容量)通常仅允许整体解码问题的解。通过高斯近似,该算法的低复杂度的版本。此外,该方法然后可以应用于宽范围的信道映射,而没有显著的复杂性增加。
2007-10-29 cs.AI cs.IT math.IT
A Logic-based Tractable Approximation of Probability
University of Milan(米兰大学)
我们提供了一个逻辑框架,其中可以看到一个资源有限的代理执行概率推理的近似。我们的主要结果如下。首先,我们确定的条件下,命题概率函数可以近似由一个层次的深度有界的信念功能。其次,我们表明,在相当可口的限制,我们的近似概率导致不确定的推理,在该领域的通常假设下,有资格作为听话。
2022-05-06 cs.AI cs.LO
MCMC assisted by Belief Propagation
KAIST(韩国科学技术院);LANL(洛斯阿拉莫斯国家实验室)
马尔可夫链蒙特卡罗(MCMC)和置信传播(BP)是图模型(GM)中最常用的计算推理算法。原则上,MCMC是一种精确的概率方法,然而,它经常遭受指数慢混合。相比之下,BP是一种确定性方法,通常快速,经验上非常成功,但通常缺乏对循环图的准确性的控制。在本文中,我们介绍了MCMC算法校正BP的逼近误差,即,我们提供了一种通过连续的BP感知MCMC来补偿BP误差的方法。我们的框架是基于循环演算(LC)的方法,它允许表达的BP误差作为加权广义循环的总和。虽然完整的系列是计算上棘手的,它是已知的,截断系列,总结所有2-正规循环,是可计算的多项式时间的平面成对二进制GM,它也提供了一个高度准确的近似经验。受此启发,我们首先提出了一个多项式时间近似MCMC计划截断系列一般(非平面)成对二元模型。我们这里的主要思想是使用蠕虫算法,已知在其他(相关)问题中提供快速混合,然后设计一个适当的拒绝方案来采样2-正则循环。此外,我们还设计了一个有效的拒绝免费MCMC计划近似的完整系列。我们设计的主要新颖之处在于利用了循环基的概念,它提供了一个有效的广义循环分解。从本质上讲,建议的MCMC计划运行在转换后的GM建立在非平凡的BP解决方案,我们的实验表明,这种合成的BP和MCMC优于直接MCMC和裸BP计划。
2020-05-11 cs.AI cs.DS stat.ML