基于 Beta 伯努利过程的深度生成模型用于建模与学习混杂因素
机器学习
2019-05-07 v3 机器学习
摘要
尽管深度表示学习已日益能够将数据中与任务相关的表示与其他混杂因素分离开来，但两个重大挑战依然存在。首先，数据中往往同时存在数量未知且可能无限的混杂因素。其次，并非所有这些因子都易于观测。本文中，我们提出一种深度条件生成模型，该模型学习将任务相关表示与数量未知且可能无限增长的混杂因素解耦。这是通过将深度生成模型的表示能力与贝叶斯非参数因子模型相结合来实现的，其中监督确定性编码器学习任务相关表示，而带有印度自助餐过程（IBP）的概率编码器学习数量未知的不可观测混杂因素。我们在两个数据集上测试了所提模型：一个带有彩色数字增强的手写数字数据集（MNIST）和一个具有显著受试者间差异并带有信号伪迹增强的临床 ECG 数据集。这些多样化的数据集凸显了所提模型随数据复杂度增长以及识别未观测混杂因素存在与否的能力。
引用
@article{arxiv.1811.00073,
title = {Deep Generative Model with Beta Bernoulli Process for Modeling and Learning Confounding Factors},
author = {Prashnna K Gyawali and Cameron Knight and Sandesh Ghimire and B. Milan Horacek and John L. Sapp and Linwei Wang},
journal= {arXiv preprint arXiv:1811.00073},
year = {2019}
}