熵正则化MAP推断中带舍入的平滑消息传递的收敛速率
机器学习
2020-03-03 v2 最优化与控制
机器学习
摘要
最大后验（MAP）推断是统计推断的基本计算范式。在图模型设定下，MAP 推断需要求解一个组合优化问题以找到离散值模型的最可能配置。Sherali-Adams 层次中的线性规划（LP）松弛被广泛用于尝试解决该问题，而平滑消息传递算法已成功提出用于求解这些 LP 的正则化版本。本文利用熵正则化 LP 的近期工作，分析了一类基于边的平滑消息传递算法在松弛中达到 -最优的收敛速率。在适当选择的正则化常数下，当 LP 紧且解唯一时，我们给出了足以恢复真实整数 MAP 解的迭代次数理论保证。
引用
@article{arxiv.1907.01127,
title = {Convergence Rates of Smooth Message Passing with Rounding in Entropy-Regularized MAP Inference},
author = {Jonathan N. Lee and Aldo Pacchiano and Michael I. Jordan},
journal= {arXiv preprint arXiv:1907.01127},
year = {2020}
}