論文の概要: Learning to Guide Local Search for MPE Inference in Probabilistic Graphical Models

• arxiv url: http://arxiv.org/abs/2602.01475v1
• Date: Sun, 01 Feb 2026 22:43:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.806818
• Title: Learning to Guide Local Search for MPE Inference in Probabilistic Graphical Models
• Title（参考訳）: 確率的グラフモデルにおけるMPE推論のための局所探索の指導
• Authors: Brij Malhotra, Shivvrat Arya, Tahrima Rahman, Vibhav Giridhar Gogate,
• Abstract要約: 確率的グラフィカルモデル(PGM)におけるほとんどの確率的説明(MPE)推論は、根本的なが計算的に難しい問題である。 本稿では、繰り返しクエリー方式における局所探索を改善するためのニューラルネットワークのアモート化フレームワークを提案する。 理論的な直観リンクによる距離低減移動選択を行い, 隣り合う選択時の約束を改良する。
• 参考スコア（独自算出の注目度）: 7.287294240824019
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Most Probable Explanation (MPE) inference in Probabilistic Graphical Models (PGMs) is a fundamental yet computationally challenging problem arising in domains such as diagnosis, planning, and structured prediction. In many practical settings, the graphical model remains fixed while inference must be performed repeatedly for varying evidence patterns. Stochastic Local Search (SLS) algorithms scale to large models but rely on myopic best-improvement rule that prioritizes immediate likelihood gains and often stagnate in poor local optima. Heuristics such as Guided Local Search (GLS+) partially alleviate this limitation by modifying the search landscape, but their guidance cannot be reused effectively across multiple inference queries on the same model. We propose a neural amortization framework for improving local search in this repeated-query regime. Exploiting the fixed graph structure, we train an attention-based network to score local moves by predicting their ability to reduce Hamming distance to a near-optimal solution. Our approach integrates seamlessly with existing local search procedures, using this signal to balance short-term likelihood gains with long-term promise during neighbor selection. We provide theoretical intuition linking distance-reducing move selection to improved convergence behavior, and empirically demonstrate consistent improvements over SLS and GLS+ on challenging high-treewidth benchmarks in the amortized inference setting.
• Abstract（参考訳）: 確率的グラフィカルモデル (PGM) におけるほとんどの確率的説明 (MPE) 推論は、診断、計画、構造化予測などの領域で生じる基本的な計算上の問題である。 多くの実践的な環境では、様々なエビデンスパターンに対して推論を繰り返し実行する必要がある間に、グラフィカルモデルが固定されている。 確率的局所探索(SLS)アルゴリズムは大規模モデルにスケールするが、直近の即時ゲインを優先し、しばしば貧弱な局所オプティマで停滞する筋力的最良の改善規則に依存している。 Guided Local Search (GLS+)のようなヒューリスティックスは、検索ランドスケープを変更することで、この制限を部分的に緩和するが、同じモデル上の複数の推論クエリ間で、そのガイダンスを効果的に再利用することはできない。 本稿では,この繰り返しクエリ方式における局所探索を改善するためのニューラルネットワークのアモート化フレームワークを提案する。 固定グラフ構造をエクスプロイトし,ハミング距離を最適に近い解に縮める能力を予測することにより,注目に基づくネットワークを学習し,局所的な動きを評価する。 提案手法は既存の局所探索手法とシームレスに連携し,この信号を用いて短期的可能性ゲインと長期的可能性のバランスをとる。 我々は、収束挙動を改善するための距離低減移動選択を理論的にリンクし、また、償却推論設定における高木幅ベンチマークに挑戦するSLSとGLS+に対する一貫した改善を実証的に示す。

関連論文リスト

• kNN-Graph: An adaptive graph model for $k$-nearest neighbors [17.882218619659756]
  計算複雑性から推論遅延を分離する適応グラフモデルを提案する。 このアーキテクチャは、分類精度を損なうことなく、推論速度を大幅に加速し、リアルタイムのパフォーマンスを達成することを実証する。
  論文  参考訳（メタデータ） (2026-01-23T07:15:53Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Probabilistic partition of unity networks: clustering based deep approximation [0.0]
  ユニタリネットワーク(POU-Nets)の分割は、回帰とPDEの解に対する代数収束率を実現することができる。 ガウス雑音モデルを用いてPOU-Netを拡張し、最大可算損失の勾配に基づく一般化を導出できる確率的一般化を得る。 本研究では,高次元・低次元での性能を定量化するためのベンチマークを行い,高次元空間内のデータの潜在次元にのみ依存することを示す。
  論文  参考訳（メタデータ） (2021-07-07T08:02:00Z)
• Variational Beam Search for Learning with Distribution Shifts [26.345665980534374]
  i)最小限の連続観測に基づく微妙な分布シフトの推論が可能であり、(ii)それに応じてモデルをオンライン方式で適応できるベイズ式メタアルゴリズムを提案する。 私たちの提案するアプローチはモデルに依存しず、教師なしと教師なしの両方の学習に適用可能であり、最先端のベイズオンライン学習アプローチよりも大幅に改善されます。
  論文  参考訳（メタデータ） (2020-12-15T05:28:47Z)
• Bayes DistNet -- A Robust Neural Network for Algorithm Runtime Distribution Predictions [1.8275108630751844]
  ランダム化アルゴリズムは制約満足度問題 (CSP) やブール満足度問題 (SAT) の多くの最先端の解法で用いられている。 従来の最先端の手法は、入力インスタンスが従う固定パラメトリック分布を直接予測しようとする。 この新モデルは,低観測環境下での堅牢な予測性能と,検閲された観測処理を実現する。
  論文  参考訳（メタデータ） (2020-12-14T01:15:39Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Entropic gradient descent algorithms and wide flat minima [6.485776570966397]
  広い平坦領域に属する最小値に対応するベイズ最適点推定器が存在することを解析的に示す。 解析を広範囲な数値検証により深層学習シナリオに拡張する。 計算が容易な平坦度測定は、テスト精度と明確な相関を示す。
  論文  参考訳（メタデータ） (2020-06-14T13:22:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。