基于代理的平滑性与结构学习
机器学习
2012-07-03 v1 最优化与控制
机器学习
摘要
随着数据集规模的扩大，学习方法发现数据中结构的能力日益受到搜索巨大可能性空间及为每个空间生成需考虑所有观测数据的评分所需时间的阻碍。例如，贝叶斯网络（本文所选模型）在变量数量固定时具有超指数级的巨大搜索空间。缓解这一问题的一种可能方法是使用代理（如高斯过程回归器）替代真实的评分函数，并在采样的网络子集上对其进行训练。本文证明，使用此类代理是有充分依据的，因为我们可以对贝叶斯网络结构学习中常用评分函数的平滑性进行界定。结果表明，与使用网络精确分数的相同搜索策略相比，我们的基于代理的搜索方法能够在更短的时间内，在多个数据集上获得同等或更优的分数。
引用
@article{arxiv.1206.6452,
title = {Smoothness and Structure Learning by Proxy},
author = {Benjamin Yackley and Terran Lane},
journal= {arXiv preprint arXiv:1206.6452},
year = {2012}
}
备注
Appears in Proceedings of the 29th International Conference on Machine Learning (ICML 2012)