热点事件持续更新

L2B神经上界框架加速MPE推断

1 篇报道1 个报道来源12 小时前更新

先了解这件事

AI 综述

研究者提出 Learning to Bound（L2B）框架，用神经网络预测器分摊概率图模型 MPE 推断中上界的计算成本。该方法通过统计校准保证上界可采纳，并用结构约束保证上界随证据累积单调收紧。在多个基准上，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。

AI 根据报道生成 · 2 小时前更新

最新进展10月31日 12:00

Learning to Bound（L2B）：用单调、校准的神经网络上界加速 MPE 推理

报道时间线

沿着报道，了解事件的不同侧面。

10月31日

12:00
arXiv cs.AI
Learning to Bound（L2B）：用单调、校准的神经网络上界加速 MPE 推理
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。

本事件热度走势

可比范围当前: 7
可比范围峰值: 810月31日 22:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。