用于条件随机场自适应随机对偶坐标上升
机器学习
2018-07-11 v2 机器学习
摘要
本文研究通过Shalev-Shwartz与Zhang(2016)的随机对偶坐标上升(SDCA)算法来训练条件随机场(CRFs)。SDCA具有线性收敛速率，并在二分类问题上表现出强劲的实证性能。然而，它从未被用于训练CRFs。与先前方法不同，它的优势在于仅需一次边缘化预言机调用即可进行“精确”线搜索。在本文中，我们调整SDCA以训练CRFs，并基于块对偶间隙为其增强一种自适应非均匀采样策略。我们在四个标准序列预测任务上进行了实验。SDCA表现出与最先进水平相当的性能和，并在其中四个数据集中使用稀疏特征的那三个上优于最先进水平。
引用
@article{arxiv.1712.08577,
title = {Adaptive Stochastic Dual Coordinate Ascent for Conditional Random Fields},
author = {Rémi Le Priol and Alexandre Piché and Simon Lacoste-Julien},
journal= {arXiv preprint arXiv:1712.08577},
year = {2018}
}
备注
Published as a conference paper at UAI 2018. 22 pages