论文翻译：Learning Graphical Model Parameters with Ap-proximate Marginal Inference

PAMI2013年论文

Abstract

      基于似然的图形模型学习面临着计算复杂度和模型错误描述鲁棒性的限制。本文研究了直接拟合参数以最大限度地提高测量精度的方法预测的边缘，考虑到训练时间模型和推理方法。对成像问题的实验表明，基于边际化的学习在基于近似性的困难问题上比基于可能性的近似方法更好。
索引术语：图形模型，条件随机场，机器学习，推理，分割。

1. Introduction

      图形模型是图像处理，计算机视觉等许多领域的标准工具。由于图的高度宽，精确的推理和推理通常是棘手的。
      以前的许多工作都涉及到可能性的近似值（第4节）。在本文中，我们建议参数学习可以用“基于边际化”的损失函数来完成。这些直接量化给定的边际推理算法的预测质量。这有两个主要的优点。首先，在学习时考虑推理算法中的近似误差。其次，这对模型错误规范是强大的。
      本文的贡献首先是基于边际化拟合的一般框架为隐性分化。其次，我们证明了参数梯度可以通过“摄动”来计算，也就是说，根据当前的损失ÿ