33、硬件感知概率电路中的有偏 PSDD 学习实验

硬件感知概率电路中的有偏 PSDD 学习实验

1. 引言

在资源受限的嵌入式系统中，实现高效的机器学习算法是一个极具挑战性的任务。为了在这些系统中实现有效的分类任务，需要考虑硬件感知（hardware-aware）的方法。本篇文章将探讨一种新的学习方法——D-LearnPSDD，它通过引入判别性偏差（discriminative bias）来优化概率子句决策图（PSDDs）的分类性能。此外，还将比较生成式学习方法（如 LearnPSDD、朴素贝叶斯（NB）和树增强朴素贝叶斯（TANB））和判别式学习方法（如逻辑回归）在多个数据集上的表现，并分析变量树（variable tree）和结构约束对模型可处理性和性能的影响。

2. 性能比较

在本章中，我们使用了15个标准机器学习基准测试集进行实验，这些数据集涵盖了广泛的应用领域，从金融数据到医学诊断。所有数据集均来自 UCI 机器学习库，除了 “Mofn” 和 “Corral”。为了确保公平比较，我们对所有数据集进行了预处理，包括离散化和二值化。

2.1 数据集详情

表1总结了每个数据集的二进制特征数量（|F|）、类别数量（|C|）以及可用的训练样本数量（|N|）。

数据集	特征数量（|F|）	类别数量（|C|）	训练样本数量（|N|）
澳大利亚	40	2