多项式时间和样本复杂度中的学习因子图
Pieter Abbeel、Daphne Koller、Andrew Y.Ng; 7(64):1743−1788, 2006.
摘要
我们研究了参数和样本的计算复杂性图形模型中的结构学习。我们的主要结果表明具有有界度的因子图类可以在多项式时间和多项式训练示例，假设数据是由此类中的网络生成的。这个结果涵盖了已知网络结构的两个参数估计和结构学习。这意味着我们可以学习贝叶斯网络和马尔可夫网络的因子图有界度，多项式时间和样本复杂度。重要的是，与标准的最大似然估计算法不同，我们的方法不需要在底层网络中进行推理，因此适用对于推理困难的网络。我们还展示了当生成分发不是网络目标类别的成员。在除了我们的主要结果之外，我们还表明图形模型中的参数学习具有O（运行）（1） 依赖使用KL收敛时模型中变量的数量以变量数量作为性能标准进行规范化。
[腹肌]
[pdf格式][围兜]
