跳过上下文树切换
马克·贝勒马尔、乔尔·维内斯、埃里克·塔尔维蒂
第31届机器学习国际会议论文集,PMLR 32(2):1458-14662014年。
摘要
上下文树加权(CTW)是一种强大的概率序列预测技术,它能有效地对有界深度的所有预测后缀树进行贝叶斯模型平均。在本文中,我们展示了如何将此技术推广到K-skip预测后缀树类。与常规预测后缀树相反,K-skip预测后缀树可以忽略最多K个连续的上下文部分。当存在无关变量时,这可以显著提高预测准确性,这种情况通常发生在记录对齐的数据和图像中。我们对我们的方法进行了基于回归的分析,并在卡尔加里语料库和一组Atari 2600屏幕预测任务上进行了实证评估。
引用本文
相关材料