反演Beta-Liouville混合模型的变分学习及其在文本分类中的应用
机器学习
2021-12-30 v1 计算与语言
摘要
有限反演Beta-Liouville混合模型（IBLMM）因其对正数据的建模能力近来受到一定关注。在常规变分推断（VI）框架下，由于变分目标函数涉及难以处理的矩的求值，无法获得变分后验分布优化的解析可解形式。借助最近提出的扩展变分推断（EVI）框架，本文提出一个新的函数以替代原变分目标函数，从而避免难以处理的矩计算，使得IBLMM的解析可解形式得以优雅地推导出来。所提方法的良好性能通过合成数据实验以及一个名为文本分类的真实应用得到验证。
引用
@article{arxiv.2112.14375,
title = {Variational Learning for the Inverted Beta-Liouville Mixture Model and Its Application to Text Categorization},
author = {Yongfa Ling and Wenbo Guan and Qiang Ruan and Heping Song and Yuping Lai},
journal= {arXiv preprint arXiv:2112.14375},
year = {2021}
}