Bregman 变分双树框架
机器学习
2013-09-27 v1 机器学习
摘要
基于图的方法为机器学习中的许多非参数框架提供了强大的工具集。通常，这些方法的内存和计算复杂度与数据中的样本数量成二次方关系，这使得它们在中等至大规模数据集上迅速变得不可行。文献中已付出巨大努力以寻找更高效的问题解决方案。最近引入的最先进方法之一是变分双树 (Variational Dual-Tree, VDT) 框架。尽管 VDT 具有一些独特功能，但目前它仅限于欧几里得空间，其中使用欧几里得距离来量化相似性。在本文中，我们将 VDT 框架从欧几里得距离扩展到更一般的 Bregman 散度，欧几里得距离作为其特例包含在内。通过利用一般 Bregman 散度的性质，我们展示了新框架如何保持 VDT 框架的所有关键特征，同时在非欧几里得域中显著改善其性能。我们将所提出的框架应用于不同的文本分类问题，并证明了其优于原始 VDT 的优势。
引用
@article{arxiv.1309.6812,
title = {The Bregman Variational Dual-Tree Framework},
author = {Saeed Amizadeh and Bo Thiesson and Milos Hauskrecht},
journal= {arXiv preprint arXiv:1309.6812},
year = {2013}
}
备注
Appears in Proceedings of the Twenty-Ninth Conference on Uncertainty in Artificial Intelligence (UAI2013)