面向相异度数据的等距高斯过程潜变量模型
机器学习
2021-06-09 v2 机器学习
摘要
我们提出一个概率模型，其中潜变量同时尊重所建模数据的距离与拓扑。该模型利用所生成流形的黎曼几何赋予潜空间一个定义良好的随机距离度量，该度量在局部被建模为 Nakagami 分布。通过删失过程，这些随机距离被寻求与沿邻域图观测到的距离尽可能相似。模型基于成对距离的观测通过变分推断进行推断。我们展示了新模型如何能在所学流形中编码不变性。
引用
@article{arxiv.2006.11741,
title = {Isometric Gaussian Process Latent Variable Model for Dissimilarity Data},
author = {Martin Jørgensen and Søren Hauberg},
journal= {arXiv preprint arXiv:2006.11741},
year = {2021}
}
备注
ICML 2021