在概率图模型中学习受约束的最可能解释任务

我们提出了一种自监督学习方法，用于解决对数线性模型或马尔可夫网络中的受约束优化任务。让 $f$ 和 $g$ 分别定义在随机变量集合 $\mathbf{X}$ 和 $\mathbf{Y}$ 上的两个对数线性模型。给定对 $\mathbf{X}$ 中的所有变量分配 $\mathbf{x}$（证据）和一个实数 $q$，受约束的最可能解释（CMPE）任务寻求分配 $\mathbf{y}$ 到 $\mathbf{Y}$ 中的所有变量，使得 $f(\mathbf{x}, \mathbf{y})$ 最大化且 $g(\mathbf{x}, \mathbf{y})\leq q$。在我们提出的自监督方法中，给定对 $\mathbf{X}$ 的分配 $\mathbf{x}$（数据），我们训练一个深度神经网络，学习在不访问任何预计算解的情况下输出CMPE问题的近最优解。我们方法的关键思想是使用原理和近似推断方法为CMPE推导出新的损失函数，以推动不可行解趋向可行解，并推动可行解趋向最优解。我们分析了我们提出方法的性质，并在几个基准问题上实验性地展示了其有效性。