学习条件化：一种用于可扩展 MPE 推理的神经启发式方法
机器学习
2025-10-01 v1 人工智能
摘要
我们引入了学习条件化（L2C），一种用于加速概率图模型（PGM）中最大概率解释（MPE）推理的可扩展、数据驱动框架，该问题本质上是一个难解问题。L2C 训练一个神经网络，根据变量-值赋值在给定观测证据下的条件化效用来对其进行评分。为了促进监督学习，我们开发了一个可扩展的数据生成流水线，从现有 MPE 求解器的搜索轨迹中提取训练信号。训练后的网络作为启发式方法与搜索算法集成，在精确推理之前作为条件化策略，或在分支定界求解器中作为分支和节点选择策略。我们在涉及高树宽 PGM 的具有挑战性的 MPE 查询上评估了 L2C。实验表明，我们学习到的启发式方法显著减少了搜索空间，同时保持或提高了相对于 SOTA 方法的求解质量。
引用
@article{arxiv.2509.25217,
title = {Learning to Condition: A Neural Heuristic for Scalable MPE Inference},
author = {Brij Malhotra and Shivvrat Arya and Tahrima Rahman and Vibhav Giridhar Gogate},
journal= {arXiv preprint arXiv:2509.25217},
year = {2025}
}
备注
Will appear in NeurIPS 2025