アルファ発散最小化のための無限次元勾配ベース降下【JST・京大機械翻訳】

Daudel Kamelia; Douc Randal; Portier Francois

プレプリント

J-GLOBAL ID：202202220712397866 整理番号：21P0032713

アルファ発散最小化のための無限次元勾配ベース降下【JST・京大機械翻訳】

Infinite-dimensional gradient-based descent for alpha-divergence minimisation

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年05月20日プレプリントサーバーでの情報更新日： 2020年10月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

本論文では,測度上で動作し,Bayesフレームワークにおいてα-発散ミニマイゼーションを行う反復アルゴリズム(α,Γ)-デセントを紹介した。この勾配ベース手続きは,測度の形で変分パラメータに先行して,一般的に使用される変分近似を拡張した。関数Γの豊富なファミリーに対して,このアルゴリズムはα発散の系統的減少に各ステップをもたらし,収束結果を導くことを証明した。このフレームワークは,エントロピーMiror Descentアルゴリズムを復元し,電力降下と呼ぶ代替アルゴリズムを提供する。さらに,その確率的定式化において,(α,Γ)-dscentは,変分パラメータの根底にある分布に関する情報なしに任意の与えられた混合モデルの混合重みを最適化できる。これは,パラメータ更新の多くの選択と互換性があり,広範囲の機械学習タスクに適用できる。y具と実世界の例の両者について経験的に実証し,電力降下の使用の利点と,次元が成長するのに失敗する,エントロピー的Miror Descentフレームワークを超えた。【JST・京大機械翻訳】

, , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る