新算法为高斯图模型提供信号最优学习

研究人员开发了两种新颖的算法，用于从特定依赖随机过程（特别是随机扫描高斯 Glauber 动力学）的单轨迹生成的数据中学习高斯图模型。这些算法被设计为无混合且实现信号最优性能，解决了现有方法通常受限于链的混合时间或在边强度方面次优的局限性。第一种算法在节点更新上使用最小二乘回归，需要大约 $O(pd^2/ ext{kappa}^2)$ 次更新；第二种算法依赖于计数特定的更新模式，需要 $O(pd^4/ ext{kappa}^2)$ 次更新，并提供了不依赖于条件数的保证。 AI

影响 引入了学习复杂图模型的新颖算法，有可能改进利用随机过程的领域中的数据分析。

排序理由 该条目是一篇在 arXiv 上发表的研究论文，详细介绍了针对特定机器学习问题的新算法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• CORE Recommender
• DagsHub
• Gaussian Graphical Models
• Glauber dynamics
• Gotit.pub
• Hugging Face
• Influence Flower
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →