# 样本复杂度界

该工作针对低阶马尔可夫随机场刻画的局部依赖分类分布，提出离散得分函数的pinning分解，据此设计权重共享神经得分学习器并结合τ-leaping构成端到端采样流程，在有限数据下推导出显式依赖词表规模、MRF交互阶数与样本量的最优采样保证，并在Potts、Ising与树结构模型上显示权重共享得分网络在长序列采样上优于全连接网络。

该工作针对低阶马尔可夫随机场刻画的局部依赖分类分布，提出离散得分函数的pinning分解，据此设计权重共享神经得分学习器并结合τ-leaping构成端到端采样流程，在有限数据下推导出显式依赖词表规模、MRF交互阶数与样本量的最优采样保证，并在Potts、Ising与树结构模型上显示权重共享得分网络在长序列采样上优于全连接网络。