物理过程的高维依赖结构学习
机器学习
2017-09-13 v1 机器学习
摘要
本文考虑使用概率图模型的结构学习方法来识别高维物理过程中的统计依赖关系。此类过程常使用偏微分方程（PDEs）进行综合刻画，并在多种自然现象中被观测到，包括捕捉大气和水文现象的地球科学数据。经典的如PC算法及其变体的结构学习方法因其较高的计算和样本需求而难以应用。现代方法通常基于稀疏回归及其变体，虽具有有限样本保证，但往往对超参数的选择高度敏感，例如用于诱导稀疏约束或正则化的参数 。本文提出ACLIME-ADMM，一种高效的两步自适应结构学习算法，第一步估计边特定参数 ，第二步利用这些参数学习结构。我们算法的两步均使用（不精确）ADMM求解合适的线性规划，且所有迭代均可以便捷的块并行方式在闭式解中完成。我们在由模拟平流-扩散过程的偏微分方程（PDEs）生成的合成数据，以及用于研究大气信息流的真实每日全球位势高度数据（50年）上将ACLIME-ADMM与基线方法进行比较。结果表明ACLIME-ADMM高效、稳定且具有竞争力，通常优于基线方法，尤其在困难问题上。在真实数据上，ACLIME-ADMM仅从数据中就恢复了全球大气环流的底层结构，包括赤道和热带地区风向的转换。
引用
@article{arxiv.1709.03891,
title = {High-Dimensional Dependency Structure Learning for Physical Processes},
author = {Jamal Golmohammadi and Imme Ebert-Uphoff and Sijie He and Yi Deng and Arindam Banerjee},
journal= {arXiv preprint arXiv:1709.03891},
year = {2017}
}
备注
21 pages, 8 figures, International Conference on Data Mining 2017