用于学习 MRF 的摊还 Bethe 自由能最小化
机器学习
2019-11-19 v2 机器学习
摘要
我们提出以非 ELBO 目标学习深度无向图模型（即 MRF），该目标可计算精确梯度。具体而言，我们优化源自配分函数 Bethe 自由能近似的鞍点目标。与近期许多近似推断工作不同，所推导的目标无需采样，且即便对极具表达力的 MRF 也能高效计算。我们进一步用训练好的推断网络来摊还该优化。实验上，我们发现所提方法优于循环信念传播，且速度更快，并比其他近期近似推断方案获得更好的留出对数似然。
引用
@article{arxiv.1906.06399,
title = {Amortized Bethe Free Energy Minimization for Learning MRFs},
author = {Sam Wiseman and Yoon Kim},
journal= {arXiv preprint arXiv:1906.06399},
year = {2019}
}
备注
NeurIPS 2019