使用 IBIA 框架的边际近似推断
人工智能
2023-10-31 v2
摘要
已知概率图模型 (PGM) 中边际的精确推断是难以处理的，需要使用近似方法。现有的变分技术大多在有环图中执行迭代消息传递，这对于许多基准测试收敛缓慢。在本文中，我们提出了一种基于增量构建-推断-近似 (IBIA) 范式的边际推断新算法。我们的算法将 PGM 转换为一系列具有有界团规模的链接团树森林 (SLCTF)，然后使用启发式信念更新算法来推断边际。对于贝叶斯网络的特殊情形，我们证明如果 IBIA 中的增量构建步骤使用变量的拓扑顺序，则 (a) 先验边际在 SLCTF 中的所有 CTF 中是一致的，并且 (b) 一旦所有证据变量被添加到 SLCTF 中，后验边际就是一致的。在我们的方法中，信念传播步骤是非迭代的，并且精度-复杂度的权衡由用户定义的团规模界限控制。来自近期 UAI 竞赛多个基准集的结果表明，我们的方法比现有的基于变分和采样的方法具有更好或相当的精度，且运行时间更短。
引用
@article{arxiv.2306.00335,
title = {Approximate inference of marginals using the IBIA framework},
author = {Shivani Bathla and Vinita Vasudevan},
journal= {arXiv preprint arXiv:2306.00335},
year = {2023}
}