生成模型选择中的相对相似性统计检验
机器学习
2016-02-16 v4 机器学习
摘要
概率生成模型提供了一种强大的表示数据框架，避免了判别方法通常需要的手动标注开销。然而，这种生成设置下的模型选择可能具有挑战性，特别是当似然不易获取时。为解决这个问题，我们引入相对相似性统计检验，用于确定两个模型中哪个生成的样本显著更接近感兴趣的真实世界参考数据集。我们使用参考数据集与每个模型数据集之间的最大均值差异（MMDs）之差作为检验统计量，并基于每个参考-模型对的MMD的联合渐近分布推导出一种强有力的低方差检验。在深度生成模型（包括变分自编码器和生成矩匹配网络）的实验中，这些检验提供了作为参数和训练设置函数的模型性能的有意义排序。
引用
@article{arxiv.1511.04581,
title = {A Test of Relative Similarity For Model Selection in Generative Models},
author = {Wacha Bounliphone and Eugene Belilovsky and Matthew B. Blaschko and Ioannis Antonoglou and Arthur Gretton},
journal= {arXiv preprint arXiv:1511.04581},
year = {2016}
}
备注
International Conference on Learning Representations 2016