arXiv · cs.AI· Akshay Vyas·· 1 天前AI 评分23
Learning to Bound（L2B）：为 MPE 推理学习单调且校准的神经上界
Learning to Bound: Monotonic, Calibrated Neural Upper Bounds for MPE Inference
来源与原文
arXiv · cs.AI
作者：Akshay Vyas
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.39305v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
研究者提出数据驱动框架 Learning to Bound（L2B），用神经预测器摊销 MPE 推理中上界计算成本，通过统计校准保证可采纳性，并借助结构约束在证据累积时保证上界单调收紧。在多类 PGM 基准上，L2B 以数量级更低的成本给出更紧的单调上界，与 branch-and-bound 结合在高 treewidth 实例上带来可测量的改进。
来源：arXiv · cs.AI · arxiv.org