09:32
官方账号arXiv cs.LG@Nicolas Béreux, Aurélien Decelle, Cyril Furtlehner, Beatriz Seoane
推荐理由：这篇论文提出了PTT方法，让能量模型训练又快又稳，在RBM上成绩比现有方法好，还能顺便算热化时间，值得看看。
Parallel Trajectory Tempering
共 1 条相关 AI 资讯
7月30日
09:32
该论文提出并行轨迹回火（Parallel Trajectory Tempering, PTT）训练算法，用于改进能量模型（Energy-Based Models, EBMs）的马尔可夫链蒙特卡洛（MCMC）混合问题。PTT利用优化路径的连续性，在整个学习过程中维持平衡采样，从而在高度多模态且数据稀少的科学数据集上实现稳定快速训练。与持久对比散度（Persistent Contrastive Divergence）相比，PTT的计算成本相当，并能直接估计热化时间、平衡样本和对数似然。在受限玻尔兹曼机（Restricted Boltzmann Machines）实验中，PTT持续超越现有EBM训练方法；在离散表格数据上，它同样优于当前最先进的深度生成模型，生成更高质量的样本且对过拟合和有限数据更具鲁棒性。