瑟斯顿玻尔兹曼机：从多重不等式中学习
机器学习
2014-08-04 v1 机器学习
统计方法学
摘要
我们引入了瑟斯顿玻尔兹曼机（Thurstonian Boltzmann Machines, TBM），这是一种能够自然地同时整合多种数据输入的统一架构。我们的动机源于瑟斯顿观点，即许多离散数据类型可被视为由底层潜在连续变量的子集生成，且观察到离散类型的每次实现都会对这些变量施加某些不等式。因此，TBM 中的学习与推断归结为对一组不等式的解析。我们提出的 TBM 天然支持以下类型：高斯型、区间型、删失型、二值型、类别型、多类别型、序数型、带或不带平局的（不）完全秩。我们在三个性质迥异的应用中展示了该模型的通用性和能力，即手写数字识别、协同过滤和复杂社会调查分析。
引用
@article{arxiv.1408.0055,
title = {Thurstonian Boltzmann Machines: Learning from Multiple Inequalities},
author = {Truyen Tran and Dinh Phung and Svetha Venkatesh},
journal= {arXiv preprint arXiv:1408.0055},
year = {2014}
}
备注
Proceedings of the 30 th International Conference on Machine Learning, Atlanta, Georgia, USA, 2013. JMLR: W&CP volume 28