深度变分贝叶斯滤波器：从原始数据无监督学习状态空间模型
机器学习
2017-03-06 v3 机器学习
系统与控制
摘要
我们提出深度变分贝叶斯滤波器（Deep Variational Bayes Filters, DVBF），一种用于潜隐马尔可夫状态空间模型的无监督学习与辨识的新方法。利用随机梯度变分贝叶斯的最新进展，DVBF可通过变分推断克服难解推断分布。因此，它能在无需领域知识的情况下处理具有时空依赖的高度非线性输入数据（如图像序列）。我们的实验表明，允许通过转移进行反向传播可强化状态空间假设，并显著提升潜隐嵌入的信息量。这也实现了逼真的长期预测。
引用
@article{arxiv.1605.06432,
title = {Deep Variational Bayes Filters: Unsupervised Learning of State Space Models from Raw Data},
author = {Maximilian Karl and Maximilian Soelch and Justin Bayer and Patrick van der Smagt},
journal= {arXiv preprint arXiv:1605.06432},
year = {2017}
}
备注
Published as a conference paper at ICLR 2017