La propagation de la croyance s'est avérée être une méthode très puissante grâce à la recherche de modèles graphiques probabilistes.
Cependant, je ne connais rien de BP comparable aux méthodes MCMC où nous pouvons avoir des schémas d'approximation randomisés entièrement polynomiaux (FPRAS) pour les problèmes # P-complets.
Quelqu'un pourrait-il m'indiquer quelques références?
cc.complexity-theory
reference-request
graph-algorithms
machine-learning
st.statistics
Tianyang Li
la source
la source
Réponses:
Il est prouvé que BP et la plupart de ses variantes convergent sur des graphiques sans cycles. Lorsque vous avez des cycles, ils présentent parfois un comportement très étrange. Pour ces cas, les gens ont essayé différents schémas d'approximations, par exemple les hiérarchies Sherali-Adams, Lov? Asz-Schrijver et Lasserre.
Voir [1] pour un examen complet de ces approximations. Également (Wainwright et Jordan, 2008) inclut d'autres classes d'approximations.
[1] http://cs.nyu.edu/~dsontag/papers/sontag_phd_thesis.pdf
la source
Voici un article dans lequel les auteurs ont utilisé BP pour obtenir un schéma d'approximation randomisée en temps polynomial complet pour le problème de débit de réseau à coût minimum capacitif.
la source