近似推断的桶规范化
摘要：概率图模型在机器学习应用中是一个关键工具。计算分割函数，即归一化常数，是统计推断的基本任务，但通常计算上是无法处理的，因此需要广泛地研究逼近方法。迭代变分法是一种流行和成功的方法家族。然而，即使是最先进的变分法在困难实例上也可能返回不理想的结果或无法收敛。本文相反，我们考虑通过对变量进行顺序求和来计算分割函数。我们通过将小桶消除的思想与统计物理学中的张量网络和重整化群方法相结合，开发了鲁棒的近似算法。所得到的“无需收敛”的方法在合成和真实世界的基准模型上表现出良好的实证性能，即使在困难实例中也是如此。
作者：Sungsoo Ahn, Michael Chertkov, Adrian Weller and Jinwoo Shin
论文ID：1803.05104
分类：Machine Learning
分类简称：stat.ML
提交时间：2020-01-29