arXiv cs.AI / cs.LG 最新· Akshay Vyas·· 1 天前AI 评分46
Learning to Bound（L2B）：面向 MPE 推理的单调、校准神经上界
Learning to Bound: Monotonic, Calibrated Neural Upper Bounds for MPE Inference
AI 导读
研究者提出 Learning to Bound（L2B）框架，用神经网络预测器降低概率图模型 MPE 推理中分支定界所需上界的计算成本。L2B 通过统计校准保证上界的可采纳性，并以架构层面的结构约束构造单调性，使上界随证据积累持续收紧。在多个 PGM 家族的困难基准上，它以低数个数量级的成本给出更紧的单调上界，与分支定界结合后在高树宽实例上取得可测提升。
标题与摘要由 AI 辅助生成，事实与观点以原文为准。
来源：arXiv cs.AI / cs.LG 最新 · arxiv.org
本站标题、摘要与推荐理由由 AI 辅助生成；原文版权归来源所有。