隐变量图模型的序列局部学习
机器学习
2017-03-17 v2 机器学习
摘要
学习隐变量图模型（GM）的参数本质上比学习无隐变量模型的参数困难得多，因为隐变量使得相应的对数似然非凹。尽管如此，期望最大化方案在实践中被广泛使用，但它们通常陷入局部最优。近年来，矩方法为解决非凸问题提供了一个新颖的视角，但它仅适用于一类非常有限的隐变量图模型。在本文中，我们旨在通过扩大此类隐变量图模型的范围来增强其能力。为此，我们引入了两个新概念，称为边缘化和条件化，它们可以将学习较大图模型的问题简化为学习较小图模型的问题。更重要的是，它们引出了一个序列学习框架，该框架反复增加给定隐变量图模型的学习部分，从而涵盖了范围显著更广且更复杂的、包含卷积和随机正则模型的有环隐变量图模型类别。
引用
@article{arxiv.1703.04082,
title = {Sequential Local Learning for Latent Graphical Models},
author = {Sejun Park and Eunho Yang and Jinwoo Shin},
journal= {arXiv preprint arXiv:1703.04082},
year = {2017}
}