NGO-GM : Optimisation du gradient naturel pour les modèles graphiques.

Résumé Cet article traite de l'estimation des paramètres de modèles dans les modèles graphiques. Nous le reformulons comme un problème d'optimisation géométrique de l'information et introduisons une stratégie naturelle de descente de gradient qui incorpore des méta paramètres supplémentaires. Nous montrons que notre approche est une alternative solide à la célèbre approche EM pour l'apprentissage dans les modèles graphiques. En fait, notre stratégie basée sur le gradient naturel conduit à l'apprentissage de paramètres optimaux pour la fonction objectif finale sans essayer artificiellement d'ajuster une distribution qui peut ne pas correspondre à la distribution réelle. Nous appuyons nos résultats théoriques sur la question de la détection des tendances sur les marchés financiers et montrons que le modèle appris est plus performant que les méthodes traditionnelles des praticiens et qu'il est moins enclin à l'overfitting.