EDML 的新进展与理论洞察
人工智能
2012-10-19 v1 机器学习
机器学习
摘要
EDML 是一种近期提出的用于学习贝叶斯网络中最大后验 (MAP) 参数的算法。在本文中，我们展示了关于 EDML 算法的多项新进展与洞察。首先，我们提供了 EDML 的多值扩展，该算法最初是针对二元变量上的贝叶斯网络提出的。其次，我们确定了 EDML 的简化表征，这进一步隐含了其底层凸优化问题的一个简单不动点算法。该表征进一步揭示了 EDML 与期望最大化 (EM) 算法之间的联系：EDML 的不动点即为 EM 的不动点，反之亦然。因此，我们也在 EDML 的语义下确定了 EM 不动点的新表征。最后，我们提出了一种混合 EDML/EM 算法，该算法利用了 EDML 改进的经验收敛行为，同时保持了 EM 的单调改进性质。
引用
@article{arxiv.1210.4910,
title = {New Advances and Theoretical Insights into EDML},
author = {Khaled S. Refaat and Arthur Choi and Adnan Darwiche},
journal= {arXiv preprint arXiv:1210.4910},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Eighth Conference on Uncertainty in Artificial Intelligence (UAI2012)