关于狄利克雷过程深度隐高斯混合模型的变分后验
机器学习
2020-07-28 v2 人工智能
机器学习
摘要
得益于重参数化技巧，深度隐高斯模型在最近学习隐表示方面取得了巨大成功。然而，由于狄利克雷过程（DP）不可参数化的性质，将其与非参数先验（如狄利克雷过程）相结合并未取得类似的成果。在本文中，我们提出了狄利克雷过程深度隐高斯混合模型（DP-DLGMM）变分后验的一种替代处理方法，其中我们表明，在已知簇分配的情况下，先验簇参数以及 beta 分布和簇隐变量的变分后验可以以闭式更新。这导致了对高斯隐变量的标准重参数化技巧。我们在标准基准数据集上展示了我们的方法，表明我们的模型能够为所获得的每个簇生成真实样本，并在半监督设置中表现出有竞争力的性能。
引用
@article{arxiv.2006.08993,
title = {On the Variational Posterior of Dirichlet Process Deep Latent Gaussian Mixture Models},
author = {Amine Echraibi and Joachim Flocon-Cholet and Stéphane Gosselin and Sandrine Vaton},
journal= {arXiv preprint arXiv:2006.08993},
year = {2020}
}