贝叶斯反条件核均值嵌入
机器学习
2019-06-04 v1 机器学习
摘要
条件核均值嵌入构成了一种有吸引力的非参数框架，用于表示函数的条件均值，并描述许多复杂模型的观测过程。然而，恢复其条件均值被观测到的原始潜在目标函数是一项具有挑战性的推断任务。我们将反条件核均值嵌入形式化为该逆问题的解，并表明它可以自然地视为一种非参数贝叶斯法则。关键的是，我们引入了任务变换高斯过程的概念，并将反条件核均值确立为其后验预测均值。这一联系为反条件核均值嵌入提供了贝叶斯解释和不确定性估计，解释了其正则化超参数，并揭示了一种用于核超参数学习的边际似然。这些发现进一步促成了诸如无似然推断和学习用于大数据的稀疏表示等实际应用。
引用
@article{arxiv.1906.00199,
title = {Bayesian Deconditional Kernel Mean Embeddings},
author = {Kelvin Hsu and Fabio Ramos},
journal= {arXiv preprint arXiv:1906.00199},
year = {2019}
}
备注
In the Proceedings of the 36th International Conference on Machine Learning (ICML 2019), Long Beach, California, USA