提升受限玻尔兹曼机的非参数学习
机器学习
2020-01-29 v1 人工智能
摘要
我们考虑在存在关系数据的情况下判别式学习受限玻尔兹曼机的问题。与先前依次使用规则学习器（用于结构学习）和权重学习器（用于参数学习）的方法不同，我们开发了一种梯度提升方法，同时执行两者。我们的方法学习一组弱关系回归树，其从根到叶的路径为合取子句并表示结构，其叶值表示参数。当将所学的关系回归树转换为提升的 RBM 时，其隐节点恰好是源自关系回归树的合取子句。这导致了一个更具可解释性和可解释性的模型。我们的实证评估清楚地展示了这一方面，同时所学习模型的有效性没有损失。
引用
@article{arxiv.2001.10070,
title = {Non-Parametric Learning of Lifted Restricted Boltzmann Machines},
author = {Navdeep Kaur and Gautam Kunapuli and Sriraam Natarajan},
journal= {arXiv preprint arXiv:2001.10070},
year = {2020}
}
备注
33 pages, 12 figures