使用高斯过程进行贝叶斯结构化预测
机器学习
2013-07-16 v1 机器学习
摘要
我们引入了一种概念新颖的结构化预测模型 GPstruct，该模型在设计上具有核化、非参数化和贝叶斯特性。我们将该模型与现有方法（其中包括条件随机场 (CRFs)、最大间隔马尔可夫网络 (M3N) 和结构化支持向量机 (SVMstruct)）进行了对比论证，这些现有方法仅体现了其部分特性。我们提出了一种基于马尔可夫链蒙特卡洛 (Markov Chain Monte Carlo) 的推断过程。该框架可实例化为各种结构化对象，如线性链、树、网格和其他一般图。作为概念验证，该模型在多个自然语言处理任务和涉及线性链结构的视频手势分割任务上进行了基准测试。结果显示，GPstruct 的预测准确率与 CRFs 和 SVMstruct 相当或更高。
引用
@article{arxiv.1307.3846,
title = {Bayesian Structured Prediction Using Gaussian Processes},
author = {Sebastien Bratieres and Novi Quadrianto and Zoubin Ghahramani},
journal= {arXiv preprint arXiv:1307.3846},
year = {2013}
}
备注
8 pages with figures