Approximation Bounds for Inference using Cooperative Cut

Jegelka, S; Bilmes, J

Datensatz

DATENSATZ AKTIONENEXPORT

Zur Ablage hinzufügen

Lokale TagsFreigabegeschichteDetailsÜbersicht

Freigegeben

Konferenzbeitrag

Approximation Bounds for Inference using Cooperative Cut

MPG-Autoren

/persons/resource/persons83994

Jegelka, S
Dept. Empirical Inference, Max Planck Institute for Intelligent Systems, Max Planck Society;

Externe Ressourcen

http://www.icml-2011.org/papers/237_icmlpaper.pdf
(beliebiger Volltext)

Volltexte (beschränkter Zugriff)

Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.

Volltexte (frei zugänglich)

Es sind keine frei zugänglichen Volltexte in PuRe verfügbar

Ergänzendes Material (frei zugänglich)

Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar

Zitation

Jegelka, S., & Bilmes, J. (2011). Approximation Bounds for Inference using Cooperative Cut. In L. Getoor, & T. Scheffer (Eds.), 28th International Conference on Machine Learning (ICML 2011) (pp. 577-584). Madison, WI, USA: International Machine Learning Society.

Zitierlink: https://hdl.handle.net/11858/00-001M-0000-0013-BB16-9

Zusammenfassung

We analyze a family of probability distributions that are characterized by an embedded combinatorial structure. This family includes models having arbitrary treewidth and arbitrary sized factors. Unlike general models with such freedom, where the “most probable explanation” (MPE) problem is inapproximable, the combinatorial structure within our model, in particular the indirect use of submodularity, leads to several MPE algorithms that all have approximation guarantees.