使用并行的TAP方程和RBM解决结构化数据集的反问题
摘要：在二进制聚类数据集存在的情况下，我们提出了一种解决反问题的高效算法。我们考虑了典型的霍普菲尔德模型在教师学生的场景中，这种情况在检索阶段可见。通过平均场方法或伪似然优化，我们对这个问题进行了广泛的分析。我们的方法是基于使用TAP（Thouless-Anderson-Palmer）方程来估计后验概率，采用并行更新策略。与其他方法不同，我们的方法允许恢复出教师准确的模式，并且并行更新使其可以适用于大型系统。我们还观察到，近似信息传递（AMP）方程在直接问题中无法重现预期的行为，这对于从置信传播（BP）获得的时间索引的标准做法提出了质疑。我们使用受限玻尔兹曼机（RBM）解决了同样的问题，并讨论了两种算法之间的类似之处。
作者：Aur''elien Decelle, Sungmin Hwang, Jacopo Rocchi, Daniele Tantari
论文ID：1906.11988
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2023-07-17