面向 DPMM 的无截断混合推断

Arnim Bleier

面向 DPMM 的无截断混合推断

机器学习 2017-01-16 v1 机器学习

作者: Arnim Bleier

摘要

狄利克雷过程混合模型（Dirichlet process mixture models, DPMM）是贝叶斯非参数的基石。尽管这些模型免除了事先选择分量数的需要，但计算上吸引人的变分推断常通过变分分布的截断重新引入该需求。本文提出一种面向 DPMM 的无截断混合推断，结合了基于采样的 MCMC 与变分方法的优势。所提出的混合化实现了更高效的变分更新，且仅在需要时增加模型复杂度。我们评估了混合更新的性质及其在单一及混合成员模型中的经验性能。我们的方法易于实现，且与现有方案相比表现更优。

关键词

狄利克雷过程混合模型贝叶斯非参数变分推断 MCMC 混合推断无截断混合成员模型

引用

@article{arxiv.1701.03743,
  title  = {Truncation-free Hybrid Inference for DPMM},
  author = {Arnim Bleier},
  journal= {arXiv preprint arXiv:1701.03743},
  year   = {2017}
}

备注

NIPS 2016 Workshop: Advances in Approximate Bayesian Inference

面向 DPMM 的无截断混合推断

摘要

关键词

引用

备注

相关论文