通过次模最大化扩展印度自助餐过程
机器学习
2013-07-25 v4 机器学习
摘要
潜在特征模型的推断本质上非常困难，因为推断空间随输入数据规模和潜在特征数量呈指数增长。在本工作中，我们利用 Kurihara & Welling (2008) 的最大化 - 期望框架，对具有印度自助餐过程 (IBP) 先验的线性高斯潜在特征模型执行近似 MAP 推断。该公式产生了一个关于特征的次模函数，对应于模型证据的下界。通过向该函数添加一个常数，我们获得了一个非负次模函数，可通过贪心算法进行最大化，该算法至少能获得最优解的三分之一近似。我们的推断方法随输入数据规模线性扩展，并在目前使用 IBP 模型分析的最大数据集上展示了该方法的有效性。
引用
@article{arxiv.1304.3285,
title = {Scaling the Indian Buffet Process via Submodular Maximization},
author = {Colorado Reed and Zoubin Ghahramani},
journal= {arXiv preprint arXiv:1304.3285},
year = {2013}
}
备注
13 pages, 8 figures