面向深度概率典型相关分析的差异推断
机器学习
2020-03-10 v1 机器学习
摘要
在本文中，我们提出了一种深度概率多视图模型，该模型由基于潜空间中概率典型相关分析（CCA）描述的线性多视图层以及作为观测模型的深度生成网络组成。该网络旨在将所有视图的变化分解为共享潜表示和一组视图特有分量，其中共享潜表示旨在描述视图间共同的潜在变化来源。我们开发了一种高效的变分推断过程，其在近似潜概率多视图层的后验分布的同时考虑了概率CCA的解。我们还提出了对具有任意数量视图的模型的推广。实证研究表明，所提出的深度生成多视图模型能够成功地将深度变分推断扩展到多视图学习，同时有效整合多个视图之间的关系以缓解学习困难。
引用
@article{arxiv.2003.04292,
title = {Variational Inference for Deep Probabilistic Canonical Correlation Analysis},
author = {Mahdi Karami and Dale Schuurmans},
journal= {arXiv preprint arXiv:2003.04292},
year = {2020}
}
备注
13 pages, 4 figures