arXiv cs.AI· Akshay Vyas, Hailiang Dong, Shivvrat Arya, Brij Malhotra, Tahrima Rahman, Vibhav Gogate, Nicholas Ruozzi·· 13 小时前AI 评分22
Learning to Bound（L2B）：用单调、校准的神经网络上界加速 MPE 推理
Learning to Bound: Monotonic, Calibrated Neural Upper Bounds for MPE Inference
AI 导读
研究者提出 Learning to Bound（L2B），用神经网络预测器摊销概率图模型中 MPE 推理的上界计算成本。该方法通过统计校准保证上界可采纳性，并用结构约束在构造上保证随证据累积单调收紧。在多个挑战性基准上，L2B 在各 PGM 家族上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。
正文 · AI 翻译
摘要：概率图模型（PGM）能够紧凑地编码结构化联合分布，但最大可能解释（MPE）——即寻找对未观测变量概率最高的赋值——在大型、密集结构的模型中仍然计算上不可行。诸如分支定界（B&B）的随时系统搜索是一种流行方法，但其效率取决于紧致的可采纳上界，而使用 Mini-Bucket Elimination（MBE）等经典方法计算这些上界往往代价高昂得难以承受。我们提出 Learning to Bound（L2B），一种数据驱动的框架，通过训练神经预测器来摊销边界计算成本。L2B 针对有效搜索边界所需的两项关键性质：可采纳性，通过统计校准技术实现；以及随着证据积累而逐步收紧，通过确保构造上单调性的结构化架构约束来强制实现。在具有挑战性的基准测试中，L2B 在每个 PGM 家族上以低数个数量级的成本提供更紧致、单调的边界，并在高树宽实例上与分支定界集成时产生可测量的改进。
| 评论： | 37 页，4 幅图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.39305 [cs.LG] |
| （或 arXiv:2610.39305v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39305 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Akshay Vyas [查看电子邮件]
[v1]
2026 年 10 月 29 日星期四 03:51:39 UTC（565 KB）
来源：arXiv cs.AI · arxiv.org