概率图模型中的自适应变分推断：超越 Bethe、树重加权与凸自由能

概率图模型中的变分推断旨在近似边缘分布和配分函数等基本量。流行的方法包括 Bethe 近似、树重加权以及其他类型的凸自由能。这些近似方法效率高，但如果模型复杂且高度交互，则可能失效。在这项工作中，我们分析了两类包含上述方法作为特例的近似：第一类，如果模型参数被改变；第二类，如果熵近似被改变。我们讨论了两种方法的优缺点，并由此分析推导出理想情况下应如何构建自由能近似。基于我们的观察，我们提出了能自动适应给定模型的近似方法，并在一系列困难问题上展示了它们的有效性。