概率电路中边缘 MAP 的神经网络逼近器
内容提要
该文综述贝叶斯网络中最可信赖实例化与MAP推理的计算复杂性及近似方法，涵盖NP完全性、置信传播、模拟退火、变分框架、概率逻辑编程和神经网络推理，并探讨其在图像模型、模型预测控制及行为经济学中的应用。
延伸解读
MAP推理的计算复杂性
文章指出，贝叶斯网络中的最可信赖实例化（MAP）问题在多种情形下是NP完全的，即使MPE和Pr可以轻松计算，MAP仍然很难。在多叉树限制下也难以有效近似。这揭示了MAP推理的本质困难，为近似算法的必要性提供了理论依据。
近似算法与框架
为应对MAP的复杂性，文章综述了多种近似方法：基于置信传播的局部搜索、通用MAP近似框架、XOR_MMAP方法、模拟退火算法AnnealedMAP、变分框架以及基于二叉决策图的动态规划等。这些方法在不同场景下表现出优于标准技术的性能，并能提供准确的MAP估计。
跨领域应用
MAP推理的应用广泛，包括图像模型中的边缘MAP问题、模型预测控制（MPC）的神经网络逼近以实现快速在线计算、行为经济学中的Pairwise Choice Markov Chains推理，以及概率逻辑编程中的最大后验概率计算。这些应用展示了MAP推理在解决实际问题中的价值。
Q&A
贝叶斯网络中MAP推理的计算复杂性如何？
在多种情形下MAP问题是NP完全的，即使MPE和Pr可以轻松计算，MAP仍然很难。
有哪些近似方法可以用于贝叶斯网络中的MAP推理？
包括置信传播的局部搜索方法、通用的MAP近似框架、基于模拟退火的AnnealedMAP算法、变分框架（如Bethe、tree-reweighted、mean field逼近）以及基于神经网络的推理方法。
在概率逻辑编程中如何计算最大后验概率？
可以将问题表示为二叉决策图并在其上应用动态规划过程，例如PITA算法，其性能优于ProbLog。
边缘MAP问题在图像模型中有哪些解决方法？
提出了一种变分框架，运用Bethe、tree-reweighted、mean field逼近等方法得出mixed message passing算法和使用CCCP解决BP-type逼近的算法，实验证明优于相关方法。
神经网络如何用于模型预测控制？
通过神经网络逼近MPC控制器，实现快速在线计算，并通过安全增强提高收敛和约束满足的确定性保证，在非线性MPC基准测试中实现数量级的计算加速。
概率电路模型如何实现可扩展的推理？
基于Einsum Networks的概率电路模型实现，通过简化Expectation-Maximization算法的实现以及在数据集上的应用来提高可扩展性，并作为一种忠实的生成图像模型。
