面向异构推断的生成模型
机器学习
2018-04-27 v1 计算机视觉与模式识别
机器学习
摘要
生成模型（Generative Models, GMs）如生成对抗网络（Generative Adversary Network, GAN）与变分自编码器（Variational Auto-Encoder, VAE）近年来蓬勃发展，并在生成新样本方面取得高质量结果。尤其在计算机视觉中，GMs 已被用于图像修复、去噪与补全，其可被视为从观测像素到损坏像素的推断。然而，图像具有层次化结构，与许多具有非层次特征的实际推断场景截然不同。这些推断场景包含异构随机变量与不规整的相互依赖。传统上它们由贝叶斯网络（Bayesian Network, BN）建模。但 BN 模型的学习与推断是 NP 难的，因此 BN 中随机变量数量受到高度限制。本文中，我们改造典型 GMs 以在多项式时间内实现异构学习与推断。我们还提出扩展自回归（Extended AutoRegressive, EAR）模型及带对抗损失的 EAR（EARA）模型，并给出其有效性的理论结果。在若干 BN 数据集上的实验表明，与其他 GMs 相比，我们提出的 EAR 模型在大多数情况下取得最佳性能。除黑盒分析外，我们还做了一系列关于 GMs 马尔可夫边界推断的白盒实验并给出理论结果。
引用
@article{arxiv.1804.09858,
title = {Generative Model for Heterogeneous Inference},
author = {Honggang Zhou and Yunchun Li and Hailong Yang and Wei Li and Jie Jia},
journal= {arXiv preprint arXiv:1804.09858},
year = {2018}
}