用于高维统计推断的可观测字典学习
机器学习
2017-03-28 v2
摘要
本文介绍了一种从少量观测中高效推断高维分布量的方法。感兴趣量（QoI）在从训练集学到的基（字典）中被近似。与 QoI 在该基中近似相关的系数通过最小化与观测的失配来确定。为了获得感兴趣量的概率估计，采用了贝叶斯方法。QoI 被视为赋予层次先验分布的随机场，从而可得到后验分布的闭式表达式。本工作的主要贡献在于推导了用于推断相应系数的\emph{与观测链一致的表示基}。由此得到的字典进而被定制为既可由传感器观测，又能在近似后验均值时保持准确。给出了推导此种可观测字典的算法。该方法通过利用少数壁面安装的点传感器估计开腔流的速度场加以说明。提供了与依赖主成分分析（PCA）和 K-SVD 字典的标准估计方法的比较，显示了本方法的优越性能。
引用
@article{arxiv.1702.05289,
title = {Observable dictionary learning for high-dimensional statistical inference},
author = {Lionel Mathelin and Kévin Kasper and Hisham Abou-Kandil},
journal= {arXiv preprint arXiv:1702.05289},
year = {2017}
}