Probabilistic Clustering using Maximal Matrix Norm Couplings
Probabilistic Clustering using Maximal Matrix Norm Couplings
复制标题
使用最大矩阵范数耦合的概率聚类
DOI：
--
复制
发表时间：
2018
期刊：
影响因子：
--
通讯作者：
Lizhong Zheng
中科院分区：
文献类型：
--
作者：
David Qiu;A. Makur;Lizhong Zheng
在本文中，我们提出了一个局部信息理论的方法来明确学习离散随机变量的概率聚类。我们的公式产生一个凸最大化问题，它是NP-难找到全局最优。为了在算法上解决这个优化问题，我们提出了两个松弛，通过梯度上升和交替最大化来解决。在MSR句子补全挑战、MovieLens 100 K和Reuters 21578数据集上的实验表明，该方法与现有技术相比具有竞争力，值得进一步研究。
In this paper, we present a local information theoretic approach to explicitly learn probabilistic clustering of a discrete random variable. Our formulation yields a convex maximization problem for which it is NP-hard to find the global optimum. In order to algorithmically solve this optimization problem, we propose two relaxations that are solved via gradient ascent and alternating maximization. Experiments on the MSR Sentence Completion Challenge, MovieLens 100K, and Reuters21578 datasets demonstrate that our approach is competitive with existing techniques and worthy of further investigation.