通过密度比估计直接学习马尔可夫网络中的稀疏变化
机器学习
2014-01-03 v5
摘要
我们提出了一种新方法，用于检测两组样本间马尔可夫网络结构的变化。我们不是朴素地分别为两个数据集拟合两个马尔可夫网络模型并找出它们的差异，而是通过估计马尔可夫网络模型的比率来\emph{直接}学习网络结构的变化。这种密度比公式自然地允许我们在网络结构变化中引入稀疏性，从而极大地提高了可解释性。此外，作为朴素方法关键瓶颈的归一化项计算可以得到显著缓解。我们还给出了优化问题的对偶公式，进一步降低了大规模马尔可夫网络的计算成本。通过实验，我们展示了该方法的有效性。
引用
@article{arxiv.1304.6803,
title = {Direct Learning of Sparse Changes in Markov Networks by Density Ratio Estimation},
author = {Song Liu and John A. Quinn and Michael U. Gutmann and Taiji Suzuki and Masashi Sugiyama},
journal= {arXiv preprint arXiv:1304.6803},
year = {2014}
}