Learning Maximal Margin Markov Networks via Tractable Convex Optimization

Learning Maximal Margin Markov Networks via Tractable Convex Optimization

Інші назви: Обучение марковских сетей при помощи разрешимой выпуклой оптимизации
Навчання марківських мереж за допомогою розв’язної опуклої оптимізаці

Тема: Оптимизационные задачи структурного распознавания образов

УДК: 004.93’1:519.157

URI: http://dspace.nbuv.gov.ua/handle/123456789/82921

Посилання: Learning Maximal Margin Markov Networks via Tractable Convex Optimization / V. Franc, P. Laskov // Управляющие системы и машины. — 2011. — № 2. — С. 25-34. — Бібліогр.: 17 назв. — англ.

Підтримка: Vojtěch Franc was supported by the Czech Ministry of Education project 1M0567 and by EC projects FP7-ICT-247525 HUMAVIPS, PERG04- GA-2008-239455 SEMISOL. Any opinions expressed in this paper do not necessarily reflect the views of the European Community. The Community is not liable for any use that may be made of the information contained herein. Pavel Laskov was supported by the Heisenberg Fellowship of the German Science Foundation.

Дата: 2011

Завантажень: 375

Learning Maximal Margin Markov Networks via Tractable Convex Optimization

Анотація:

Показано, что обучение марковской сети общего вида может быть представлено в виде задачи выпуклой оптимизации. Основная идея метода заключается в использовании LP-релаксации (max,+)-задачи непосредственно при формулировании задачи обучения.

It is shown that the learning of a general Markov network can be represented as a convex optimization problem. The key idea of the method is to use a linear programming relaxation of the (max,+)-problem directly in the formulation of the learning problem.

Показано, що навчання марківської мережі загального вигляду може бути подано у вигляді задачі опуклої оптимізації. Основна ідея методу полягає у використанні LP-релаксації (max,+)-задачі безпосередньо при формулюванні задачі навчання.

Показати повний запис статті