Accéder directement au contenu Accéder directement à la navigation
Communication dans un congrès

SDCA-Powered Inexact Dual Augmented Lagrangian Method for Fast CRF Learning

Abstract : We propose an efficient dual augmented La-grangian formulation to learn conditional random fields (CRF). Our algorithm, which can be interpreted as an inexact gradient descent algorithm on the multiplier, does not require to perform global inference iteratively, and requires only a fixed number of stochastic clique-wise updates at each epoch to obtain a sufficiently good estimate of the gradient w.r.t. the Lagrange multipliers. We prove that the proposed algorithm enjoys global linear convergence for both the primal and the dual objectives. Our experiments show that the proposed algorithm outperforms state-of-the-art baselines in terms of speed of convergence.
Type de document :
Communication dans un congrès
Liste complète des métadonnées

Littérature citée [12 références]  Voir  Masquer  Télécharger

https://hal-enpc.archives-ouvertes.fr/hal-01754043
Contributeur : Xu Hu <>
Soumis le : vendredi 30 mars 2018 - 01:59:33
Dernière modification le : mercredi 26 février 2020 - 19:06:07

Fichier

hu18-combined.pdf
Fichiers éditeurs autorisés sur une archive ouverte

Identifiants

  • HAL Id : hal-01754043, version 1

Citation

Shell Hu, Guillaume Obozinski. SDCA-Powered Inexact Dual Augmented Lagrangian Method for Fast CRF Learning. 21st International Conference on Artificial Intelligence and Statistics (AISTATS), Apr 2018, Lanzarote, Spain. ⟨hal-01754043⟩

Partager

Métriques

Consultations de la notice

123

Téléchargements de fichiers

42