用于分层半马尔可夫条件随机场的 MCMC
机器学习
2014-08-07 v1 机器学习
统计方法学
摘要
诸如分层半马尔可夫模型之类的深度架构是一类重要的嵌套序列数据模型。当前的精确推断方案要么在序列长度上具有立方时间复杂度，要么在模型深度上具有指数时间复杂度。对于具有任意长度和深度的大规模问题，这些代价是 prohibitive 的。在本贡献中，我们提出了一种新的近似技术，该技术有望在长度上实现亚立方时间复杂度，在深度上实现线性时间复杂度，尽管会以一定的质量损失为代价。该想法基于两种众所周知的方法：Gibbs 采样和 Rao-Blackwellisation。我们提供了一些基于模拟的评估，以考察 RGBS 相对于运行时间和序列长度的质量。
引用
@article{arxiv.1408.1162,
title = {MCMC for Hierarchical Semi-Markov Conditional Random Fields},
author = {Truyen Tran and Dinh Phung and Svetha Venkatesh and Hung H. Bui},
journal= {arXiv preprint arXiv:1408.1162},
year = {2014}
}
备注
NIPS'09 Workshop on Deep Learning for Speech Recognition and Related Applications