工业大数据时代的潜变量模型：扩展与超越
系统与控制
2022-10-06 v2 机器学习
系统与控制
摘要
丰富的数据供给与创新算法使数据驱动建模成为现代工业中的流行技术。在各种数据驱动方法中，潜变量模型(LVMs)及其对应方法占据主要份额，并在许多工业建模领域中发挥关键作用。LVM 一般可分为基于统计学习的经典 LVM 和基于神经网络的深度 LVM(DLVM)。我们首先详细讨论经典 LVM 的定义、理论与应用，这既是对经典 LVM 的全面教程，也是其简要应用综述。随后我们对当前主流 DLVM 进行了透彻介绍，重点阐述其理论与模型架构，并紧接着提供了 DLVM 工业应用的详细综述。上述两类 LVM 具有明显的优缺点。具体而言，经典 LVM 原理简洁且可解释性好，但其模型容量难以应对复杂任务；基于神经网络的 DLVM 具有充足的模型容量以在复杂场景中取得满意性能，但牺牲了模型可解释性与效率。为结合两类 LVM 的优点并缓解其缺陷，以及探索以非神经网络方式构建深度模型，我们提出了一种称为轻量深度 LVM(LDLVM)的新概念。在提出该新思路后，本文首先阐述 LDLVM 的动机与内涵，然后给出两种新颖的 LDLVM，并详尽描述其原理、架构与优势。最后，我们讨论了展望与机遇，包括重要的开放性问题与可能的研究方向。
引用
@article{arxiv.2208.10847,
title = {Latent Variable Models in the Era of Industrial Big Data: Extension and Beyond},
author = {Xiangyin Kong and Xiaoyu Jiang and Bingxin Zhang and Jinsong Yuan and Zhiqiang Ge},
journal= {arXiv preprint arXiv:2208.10847},
year = {2022}
}