用于噪声或模型学习的变分界摊销推断
机器学习
2019-10-10 v2 机器学习
摘要
经典的近似推断方法依赖于巧妙设计的变分分布和变分界。现代方法采用摊销变分推断，其使用神经网络来近似任意后验而不利用生成模型的结构。在本文中，我们提出摊销共轭后验（ACP），一种结合两类方法优势的混合型方法。具体而言，我们使用经典方法推导后验分布的具体形式，然后通过摊销推断学习变分参数。我们在噪声或（noisy-or）模型上研究所提方法的有效性，并与经典和现代近似推断及参数学习方法进行比较。我们的结果表明所提方法优于或与其他方法相当。
引用
@article{arxiv.1906.02428,
title = {Amortized Inference of Variational Bounds for Learning Noisy-OR},
author = {Yiming Yan and Melissa Ailem and Fei Sha},
journal= {arXiv preprint arXiv:1906.02428},
year = {2019}
}