ReMAP：任意阶MRF可扩展MAP推理的无损残差神经提升

Yaomin Wang、Chaolong Ying、Xiaodong Luo、Tianshu Yu 提交论文，提出 ReMAP——一种实例级优化器，用于最小化乘积边缘分布下的精确多线性能量。其做法是把图神经网络（GNN）输出作为残差旁路叠加到自由节点 logits 上，以求解任意阶马尔可夫随机场（MRF）的最大后验（MAP）推理。 作者称，该残差参数化是一种全局坐标变换，可保持下确界、临界点、局部极值与 Hessian 惯性不变，因此被视为无损提升。实验在合成 MRF、UAI 2022 基准和 PCI 问题上验证了该残差几何的可扩展性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。