基于贝叶斯编码算法的树状黏棒过程高斯混合模型的变分贝叶斯方法
机器学习
2024-09-12 v2 信息论
机器学习
math.IT
摘要
树状黏棒过程(TS-SBP)混合模型是一种能够代表混合组件之间树状层次结构的非参数贝叶斯模型。对于TS-SBP混合模型，仅提出了一种蒙特卡罗(MCMC)方法，而尚未提出任何变分贝叶斯(VB)方法。通常，MCMC方法的计算成本高于VB方法。因此，我们需要更高的计算成本来学习TS-SBP混合模型。在本文中，我们通过在树宽和树深有限的假设下，使用VB方法为TS-SBP高斯混合模型提出一种计算成本较低的学习算法。构建此VB方法时，主要挑战在于高效计算所有可能树的和。为解决此挑战，我们利用贝叶斯编码算法中用于情境树模型的子程序。我们通过在基准数据集上的实验确认了VB方法的计算效率。
引用
@article{arxiv.2405.00385,
title = {Variational Bayesian Methods for a Tree-Structured Stick-Breaking Process Mixture of Gaussians by Application of the Bayes Codes for Context Tree Models},
author = {Yuta Nakahara},
journal= {arXiv preprint arXiv:2405.00385},
year = {2024}
}