提升的边缘MAP推断
人工智能
2018-07-10 v2
摘要
提升推断通过识别彼此对称的一组常量（或原子）来降低关系概率模型中推断的复杂度。文献中已提出若干用于提升边缘推断以及MAP推断的技术。我们首次将提升规则应用于边缘-MAP（MMAP），这是具有潜在（随机）变量的模型中的一个重要推断问题。我们的主要贡献有两点：（1）我们定义了一类新的（逻辑）变量等价类，称为单次出现于MAX（SOM），并证明解在SOM变量处取极值，即仅SOM变量实例化不同的谓词基例取相同的真值；（2）我们定义子类SOM-R（SOM归约），并利用极值赋值的性质证明MMAP推断可通过将SOM-R变量的域归约为单个常量来执行。我们将我们的提升技术称为用于提升MMAP的SOM-R规则。结合分解器与二项式等已有规则，这构成了一个强大的提升MMAP框架。在三个基准域上的实验表明，与使用SOM-R的接地推断以及未使用SOM-R的提升方法相比，在时间和内存上均有显著收益。
引用
@article{arxiv.1807.00589,
title = {Lifted Marginal MAP Inference},
author = {Vishal Sharma and Noman Ahmed Sheikh and Happy Mittal and Vibhav Gogate and Parag Singla},
journal= {arXiv preprint arXiv:1807.00589},
year = {2018}
}
备注
Accepted in UAI-18. Corrected some typos