SG-PALM：一种快速可物理解释的张量图模型
机器学习
2021-05-27 v1 机器学习
应用统计
统计计算
摘要
我们提出一种新的图模型推断过程，称为 SG-PALM，用于学习高维张量变量数据的条件依赖结构。与多数其他张量图模型不同，所提模型可解释且计算上可扩展到高维。物理可解释性源于 SG-PALM 所基于的 Sylvester 生成（SG）模型：该模型对任何作为 Poisson 型偏微分方程解的观测过程均精确。可扩展性源于 SG-PALM 在训练中使用快速近端交替线性化最小化（PALM）过程。我们确立 SG-PALM 以其目标函数的全局最优线性收敛（即几何收敛率）。我们展示了 SG-PALM 在一个重要但具挑战的气候预测问题上的可扩展性与准确性：基于多模态成像数据的太阳耀斑时空预报。
引用
@article{arxiv.2105.12271,
title = {SG-PALM: a Fast Physically Interpretable Tensor Graphical Model},
author = {Yu Wang and Alfred Hero},
journal= {arXiv preprint arXiv:2105.12271},
year = {2021}
}
备注
Accepted in ICML 2021