学习界定：用于 MPE 推理的单调、校准神经上界

概率图模型（PGM）能够紧凑地编码结构化联合分布，但最可能解释（MPE）问题旨在为未观测变量找到概率最高的赋值，即使在大规模、结构稠密的模型中，仍然难以进行计算。任何时限系统搜索（如分支定界（B&B））是一种常用方法，但其效率取决于紧致且可采纳的上界；使用 Mini-Bucket Elimination（MBE）等经典方法计算这些上界的成本通常高得难以承受。我们提出 Learning to Bound（L2B），这是一个数据驱动框架，通过训练神经预测器来摊销上界计算成本。L2B 针对有效搜索界限所需的两个关键属性：一是可采纳性，该属性通过统计校准技术实现；二是随着证据累积而逐步收紧，该属性通过结构化架构约束实现，从而在设计上确保单调性。在具有挑战性的基准测试中，L2B 在每个 PGM 家族上都以低数个数量级的成本提供了更紧致且单调的界限；将其与分支定界结合应用于高树宽实例时，还能带来可量化的改进。