贪婪学习马尔可夫网络结构
摘要：从样本中学习一般离散图形模型（也称为马尔可夫随机场）的图形结构的新自然算法。我们的算法通过按顺序添加能够在经验条件熵降低最大的节点，来找到节点的邻域；在选择添加时仅基于该迭代中获得的降低。其顺序性使其与其他现有的基于比较的技术相比具有更低的计算复杂度，这些技术都涉及对特定大小的每个节点集进行详尽搜索。我们的主要结果确定了该过程的样本复杂度，作为节点度、图形大小和因子图表示中的周长的函数。随后，我们将该结果专门化到Ising模型的情况，其中我们提供了一个简单透明的模型和图形参数的样本复杂度的描述。 对于树图，我们的算法与经典的Chow-Liu算法相同，并且在这个意义上可以被认为是具有循环图的同一算法的扩展。
作者：Praneeth Netrapalli, Siddhartha Banerjee, Sujay Sanghavi and Sanjay Shakkottai
论文ID：1202.1787
分类：Machine Learning
分类简称：stat.ML
提交时间：2012-02-09