学习具有任意外场的受限玻尔兹曼机
机器学习
2019-06-18 v1 数据结构与算法
机器学习
摘要
我们研究带隐变量的图模型学习问题。我们给出了首个用于学习具有{\em 任意}外场的局部一致（铁磁或反铁磁）受限玻尔兹曼机（RBMs）的算法。我们的算法在样本复杂度和运行时间上对维度具有最优依赖，但对 RBM 底层参数存在次优依赖。先前结果仅针对具有{\em 一致}外场（符号必须相同）的{\em 铁磁} RBM 建立\cite{bresler2018learning}。所提算法强烈依赖于磁化的凹性，而该性质在我们的设定中不成立。我们展示了如下关键结构性质：即便在任意外场存在时，任意两个共享一个公共隐邻居的观测节点之间协方差也很高。这使我们能设计一个简单的贪心算法，通过最大化协方差来迭代构建每个顶点的邻域。
引用
@article{arxiv.1906.06595,
title = {Learning Restricted Boltzmann Machines with Arbitrary External Fields},
author = {Surbhi Goel},
journal= {arXiv preprint arXiv:1906.06595},
year = {2019}
}