Réseau AIGM: Algorithmic Issues for Inference in Graphical Models



NEWS



 Nota : Bibliographie non maintenue


Catégorie Processus de Contact

Etudes des cas espace fini et espace infini, estimation du seuil critique ...
Le papier d'origine sur le processus de contact. Définition et étude de quelques propriétés du processus (1er temps de passage en un site, transition de phase...)
Là aussi un chapitre dédié au processus de contact (valeur critique, convergence et taux de convergence, ...) Un bouquin d'introduction à la physique statistiques des systèmes hors équilibre, via les modèles sur lattice. un chapitre au processus de contact, avec des références au champ moyen et à la percolation.

Catégorie champ moyen/méthodes variationnelles

Notamment un chapitre "Statistical Mechanics theory of phase transition", qui explique l'approche champ moyen pour le modèle d'Ising.
Ce sont des articles de physique, donc pas toujours facile à aborder pour des non physiciens. Le lien est fait avec des notions comme l'entropie ou l'énergie libre. En estimation bayésienne, les lois a posteriori ne sont pas toujours accessibles, même par des méthodes de Monte-Carlo par Chaîne de Markov. Les méthodes bayésiennes variationnelles permettent de calculer directement (et rapidement) une approximation déterministe des lois a posteriori. Ce papier décrit le principe des méthodes variationnelles et leur application à l'inférence bayésienne, fait le point sur les principaux résultats théoriques et présente deux exemples d'utilisation en neuroimagerie.
This paper presents a unifying view of message-passing algorithms, as methods to approximate a complex Bayesian network by a simpler network with minimum information divergence. In this view, the difference between mean-field methods and belief propagation is not the amount of structure they model, but only the measure of loss they minimize (`exclusive' versus `inclusive' Kullback-Leibler divergence). In each case, message-passing arises by minimizing a localized version of the divergence, local to each factor. By examining these divergence measures, we can intuit the types of solution they prefer (symmetry-breaking, for example) and their suitability for different tasks. Furthermore, by considering a wider variety of divergence measures (such as alpha-divergences), we can achieve different complexity and performance goals.
Un recueil d'articles qui couvre les fondements des méthodes champ moyen, explore les relations entre les différentes approches, examine la qualité des approximations obtenues et démontre leur intérêt dans des domaines variés de la modélisation probabiliste. Un article de review sur les cluster variational methods, avec la connection avec les algos de message passing. Proche mais un peu plus à la physicienne que celui de Yedidia Freeman et Weiss.

Catégorie Processus Décisionnels de Markov sur Graphes.


Catégorie graphes


Catégorie Champs de Markov (cachés, dynamiques)


Catégorie Champs de Markov (constante de normalisation)


Catégorie Modèles Graphiques


Catégorie Machine learning