Gibbs 采样迭代次数如何影响 Latent Dirichlet 分配？

Question

MALLET的documentation提到了以下内容：

--num-iterations [NUMBER]

采样迭代次数应该是完成采样所需时间与主题模型质量之间的权衡。

MALLET 还提供了 example:

// Run the model for 50 iterations and stop (this is for testing only, 
//  for real applications, use 1000 to 2000 iterations)
model.setNumIterations(50);

很明显迭代次数太少会导致主题模型不好。

但是，增加 Gibbs 采样迭代次数是否一定有利于主题模型的质量（通过困惑度、主题连贯性或下游任务来衡量）？或者模型质量是否可能随着 --num-iterations 设置为过高的值而降低？

在个人项目中，平均超过 10 倍的交叉验证将迭代次数从 100 增加到 1000 不会影响下游任务的平均准确度（以平均倒数排名衡量）。然而，在交叉验证拆分中，性能发生了显着变化，尽管随机种子是固定的并且所有其他参数保持不变。我缺少有关 Gibbs 采样的哪一部分背景知识来解释此行为？

我在没有超参数优化和 MALLET 提供的并行 LDA 实现的情况下对 alpha 和 beta 使用对称先验。

Answer 1

1000 次迭代设置被设计为对于大多数集合大小来说是一个安全数字，并且还传达“这是一个很大的整数，所以不要认为它非常精确”。较小的数字可能会很好。我曾经运行一个模型进行了 1000000 次迭代，并且整整一半的令牌分配从 1000 次迭代模型中从未改变。

您能否更具体地说明交叉验证结果？是不是不同的折叠有不同的 MRR，这些 MRR 在迭代计数中是独立稳定的？或者个别折叠 MRR 因迭代次数而异，但它们在总体平均值中平衡了？不同的折叠有不同的“难度”并不罕见。如果数据不同，修复运行dom 种子也不会有什么不同。

Gibbs 采样迭代次数如何影响 Latent Dirichlet 分配？

How does the number of Gibbs sampling iterations impacts Latent Dirichlet Allocation?

lda

hyperparameters

mallet