监督式 IBP：保持邻域结构的无限潜在特征模型
机器学习
2013-09-27 v1 机器学习
摘要
我们提出了一种概率模型，用于从观测数据中推断汉明空间中的监督潜在变量。我们的模型允许同时推断二元潜在变量的数量及其取值。这些潜在变量在某种意义上保持了数据的邻域结构，即属于同一语义概念的对象具有相似的潜在值，而属于不同概念的对象具有相异的潜在值。我们基于一个直观原则构建了监督无限潜在变量问题：若对象类型相同则将其拉近，若不同则将其推远。随后，我们将这一原则与潜在变量上灵活的印度 buffet 过程（Indian Buffet Process）先验相结合。我们表明，推断出的监督潜在变量可直接用于执行最近邻搜索以实现检索目的。我们介绍了一种动态扩展哈希码的新应用，并展示了如何有效地将哈希码的结构与保持邻域结构的无限潜在特征空间的持续增长结构相结合。
引用
@article{arxiv.1309.6858,
title = {The Supervised IBP: Neighbourhood Preserving Infinite Latent Feature Models},
author = {Novi Quadrianto and Viktoriia Sharmanska and David A. Knowles and Zoubin Ghahramani},
journal= {arXiv preprint arXiv:1309.6858},
year = {2013}
}
备注
Appears in Proceedings of the Twenty-Ninth Conference on Uncertainty in Artificial Intelligence (UAI2013)