基于对称团势能的广义集体推断

集体图模型利用实例间的关联依赖关系来输出更准确的标注。然而，现有模型支持的关联性种类非常有限，这限制了精度的提升。本文做出两项主要贡献。首先，我们提出一个通用的集体推断框架，该框架通过对称团势能使数据实例在其标注的一组属性上达成一致。我们表明，丰富的属性会带来更大的收益，并针对一大类此类属性提出系统的推断过程。该过程在团簇图上执行消息传递，其中属性感知的消息通过团簇特定算法计算。这为领域自适应提供了一种仅依赖推断的解决方案。我们在文献信息抽取上的实验表明，在未见过的领域上测试错误显著降低。我们的第二项主要贡献包括用于计算来自具有对称团势能的团簇簇的出站消息的算法。我们的算法对于二元标签上的任意对称势能以及多标签上的类最大和类多数势能是精确的。对于多数势能，我们还提供了一种高效的基于拉格朗日松弛的算法，该算法与精确算法相比具有竞争力。我们为NP难的Potts势能提出了一种13/15近似算法，其运行时间在团簇大小上是次二次的。相比之下，对于具有Potts势能的图，先前已知的最佳保证仅为1/2。我们通过实验表明，我们的Potts势能方法比最佳替代方法快一个数量级，而基于拉格朗日松弛的多数势能算法优于最佳适用启发式算法ICM。