用于半监督分类的印度 buffet 过程深度生成模型
机器学习
2018-04-03 v7
摘要
深度生成模型 (DGMs) 带来了重大突破，并重新引发了人们对生成潜变量模型的兴趣。然而，DGMs 不允许执行数据驱动的推断来确定表示观测数据所需的潜特征数量。传统的线性公式通过借助非参数统计领域的工具来解决这个问题。事实上，施加印度 buffet 过程 (IBP) 先验的线性潜变量模型已被机器学习社区广泛研究；此类模型的推断可以通过精确采样或近似变分技术进行。受此启发，在本文中，我们考察了贝叶斯非参数领域中的类似思想是否可用于现代 DGMs 的背景下，以解决潜变量维度推断问题。为此，我们提出了一种基于施加 IBP 先验的新型 DGM 公式。我们为模型设计了一种高效的黑盒变分推断算法，并在多个半监督分类实验中展示了其有效性。在所有情况下，我们使用流行的基准数据集，并与最先进的 DGMs 进行比较。
引用
@article{arxiv.1402.3427,
title = {Indian Buffet Process Deep Generative Models for Semi-Supervised Classification},
author = {Sotirios P. Chatzis},
journal= {arXiv preprint arXiv:1402.3427},
year = {2018}
}