연속형 마코프 랜덤 필드와 확률적 소프트 로직: 대규모 구조화 데이터 모델링
본 논문은 구조화된 대규모 데이터에 대해 연속형 변수와 힌지 손실을 이용한 확률 그래프 모델인 HL‑MRF를 제안하고, 이를 직관적인 1차 논리 문법으로 정의할 수 있는 프로그래밍 언어 PSL을 소개한다. MAX‑SAT, 로컬 일관성 완화, 그리고 Łukasiewicz 퍼지 논리를 통합한 하나의 볼록 최적화 목표를 도출하고, ADMM 기반 메시지 패싱으로 MAP 추론을 효율적으로 수행한다. 구조화된 퍼셉트론, 최대 의사가능도, 대형 마진 학습을…
저자: Stephen H. Bach, Matthias Broecheler, Bert Huang
본 논문은 구조화된 데이터가 점점 더 대규모가 되는 현시점에서, 풍부한 관계를 모델링하면서도 확장성을 확보할 수 있는 새로운 프레임워크를 제시한다. 첫 장에서는 기존 통계적 관계 학습, 구조화 예측, 인덕티브 논리 프로그래밍 등에서 사용되는 이산 마코프 랜덤 필드(MRF)의 한계를 지적한다. 이산 MRF는 변수들이 0‑1 값을 갖고, 논리식 기반의 잠재 함수를 사용하지만, 변수와 잠재 함수가 복잡하게 얽히면 MAP 추론이 NP‑hard이 되어 실용적인 규모에 적용하기 어렵다.
이를 해결하기 위해 저자들은 힌지‑손실 마코프 랜덤 필드(HL‑MRF)를 정의한다. HL‑MRF는 변수들을
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기