一种用于二维典型相关分析的潜变量模型及其变分推断
计算机视觉与模式识别
2020-05-12 v1 机器学习
机器学习
摘要
近年来，利用概率模型描述降维技术受到了特别关注。概率模型除了使降维方法具有更好的可解释性外，还为此类算法的进一步扩展提供了框架。概率降维方法的新思路之一是保持数据的内部结构，这意味着在降维过程中不必先将数据从矩阵或张量格式转换为向量格式。本文针对矩阵变量数据，提出了一种用于典型相关分析的潜变量模型。由于该模型通常不存在解析的最大似然解，我们提出了两种学习参数的方法。利用合成数据，从收敛性和映射质量两方面对所提方法进行了评估。此外，还采用真实数据集，将所提方法与几种基于概率和非概率的典型相关分析方法进行了比较。结果证实了所提方法相对于竞争算法的优越性。此外，该模型可视为一个用于进一步扩展的框架。
引用
@article{arxiv.1708.01519,
title = {A Latent Variable Model for Two-Dimensional Canonical Correlation Analysis and its Variational Inference},
author = {Mehran Safayani and Saeid Momenzadeh},
journal= {arXiv preprint arXiv:1708.01519},
year = {2020}
}