基于条件变分自编码器与丰富上下文的多实体依赖学习
机器学习
2017-09-19 v1 机器学习
摘要
多实体依赖学习（Multi-Entity Dependence Learning, MEDL）探索多个实体之间的条件相关性。丰富上下文信息的可用性要求一种灵活的学习方案，该方案需与深度神经网络紧密结合，并具备捕捉指数级众多结果间相关结构的能力。我们提出了 MEDL_CVAE，它将条件多元分布编码为一个生成过程。因此，联合似然的变分下界可通过条件变分自编码器进行优化，并在 GPU 上进行端到端训练。我们的 MEDL_CVAE 受计算可持续性领域的两个实际应用启发：其一利用 eBird 数据研究多种鸟类间的空间相关性，其二利用卫星图像对亚马逊雨林的多维景观构成与人类足迹进行建模。我们表明，MEDL_CVAE 能够捕捉丰富的依赖结构，其扩展性优于以往方法，并借助超出以往方法处理能力的超大规模数据集进一步提升了联合似然。
引用
@article{arxiv.1709.05612,
title = {Multi-Entity Dependence Learning with Rich Context via Conditional Variational Auto-encoder},
author = {Luming Tang and Yexiang Xue and Di Chen and Carla P. Gomes},
journal= {arXiv preprint arXiv:1709.05612},
year = {2017}
}
备注
The first two authors contribute equally