基于边际概率分布重新进行单变量选取的置信传播算法求解约束满足问题

针对RB模型这一类具有增长取值域的随机约束满足问题,提出一种基于边际概率分布重新进行单变量选取的置信传播算法。该算法在置信传播方程不收敛时,通过边际概率分布顺序由大到小找到下一个变量进行重新赋值,从而消去变量的过程。实验结果表明:这种重新挑选变量进行赋值的置信传播算法能在可满足相变区域找到问题的解,有效地提高了置信传播地求解效率。

基于边际概率分布匹配的主动标记分布学习

标记分布学习是在以标记分布标注的示例上学习的新型学习范式,近年来已成功应用于面部年龄估计、头部姿势估计和情感识别等实际场景中。在标记分布学习中,需要足够多的标记分布数据才能训练出预测性能好的模型。然而,标记分布学习有时会面临标记数据不足和注释成本太高的困境。基于边际概率分布匹配的主动标记分布学习(Active Label Distribution Learning Based on Marginal Probability Distribution Matching,ALDL-MMD)算法是针对标记分布学习注释成本过高的问题而设计的,以减少训练模型所需的标注数据量,从而降低注释成本。ALDL-MMD算法训练了一个线性回归模型,在保证其训练误差最小的同时,学习一个反映未标记数据上选点需求的稀疏向量,使选点后的训练集和未标记集的数据分布尽量相似,并对这个向量做松弛化处理,以简计算。在多个标记分布数据集上的实验结果表明,在“Canberra Metric”和“Intersection”这两个衡量标记分布的指标上,ALDL-MMD算法优于已有的主动示例选择方法,体现了其在降低注释成本方面的有效性。

光场量子态的信息熵和保真度

本文研究了高斯型Q函数光场的信息熵和Kerr介质中常见量子态保真度的时间演化,结果表明,高斯型Q函数光场的边际信息熵可作为场压缩的量度,并满足最小熵不确定关系,熵随总噪声的增加而增加,随压缩的增大而减小;不同量子态在Kerr介质中传插时的保真度显著不同,但都具有振荡特性。