广义信念传播的区域选择
人工智能
2012-07-19 v1 机器学习
摘要
广义信念传播 (GBP) 已被证明是人工智能和机器学习中近似推断任务的一种有前景的技术。然而，直到今天，如何在 GBP 中选择一组好的聚类（即“区域”）仍然更多是一门艺术而非科学。本文提出了一种向近似中顺序添加节点簇及其相互作用（即“区域”）的方法。我们首先回顾并分析了最近引入的区域图，发现三种操作（“分裂”、“合并”和“消亡”）在保持自由能不变的情况下，（在某些条件下）也保持 GBP 的不动点不变。这引出了将“弱不可约”区域作为添加到近似中的自然候选者的概念。通过限制关注具有小“区域宽度”的区域来控制 GBP 算法的计算复杂度。将上述方法与一种高效的（即在图中局部的）度量相结合以预测 GBP 准确性的提升，从而导出了自底向上向区域图添加新区域的顺序“区域追踪”算法。实验表明，该算法确实可以表现出接近最优的性能。
引用
@article{arxiv.1207.4158,
title = {On the Choice of Regions for Generalized Belief Propagation},
author = {Max Welling},
journal= {arXiv preprint arXiv:1207.4158},
year = {2012}
}
备注
Appears in Proceedings of the Twentieth Conference on Uncertainty in Artificial Intelligence (UAI2004)