隐依存森林模型的学习与评估算法

隐依存森林模型是一种新的构建在随机变量上动态的依存结构概率图模型,不同于别的概率图模型,它没有复杂的结构学习,只需要参数学习。然而,由于其准确的partition function 的计算复杂度很高,隐依存森林模型的参数学习依旧是一个十分具有挑战的任务。在这篇文章中,我们比较了多种参数学习算法,采用了忽略或者近似partition function等策略。此外,我们还提出了一种估计partition function的算法。我们的实验表明:1)我们的学习算法比之前的隐依存森林模型学习算法取得更好的效果。2) 我们的估计算法是准确的。