贝叶斯非参数模型教程
贝叶斯非参数模型为统计模型选择提供了灵活而强大的框架,使模型复杂性能够适应不同数据集的复杂性,尤其在统计学、计算机科学和电气工程等领域解决复杂挑战方面具有重要意义。本调查意在阐明这些非参数模型的基本特性和理论基础,提供贝叶斯非参数模型的全面理解,并介绍它们在多目标跟踪领域解决复杂问题的相关性。通过这一探索,我们揭示了贝叶斯非参数方法的多样性和功效,为不同学科的复杂问题开辟了创新解决方案的道路。
Mar, 2024
本研究提出了一种新的技术方法,将贝叶斯非参数回归混合模型与多个弹性网络相结合,从而提取目标模型的可推广见解。通过在图像识别的上下文中对不同的机器学习模型进行评估,实验结果表明,我们提出的方法不仅在解释个别决策方面优于现有技术,而且为用户提供了发现目标机器学习模型漏洞的能力。
Nov, 2018
该研究介绍了如何使用贝叶斯非参数理论来建模并分析复杂网络,特别是使用无限混合模型作为案例来演示,包括通过马尔科夫蒙特卡罗推断模型参数,并通过检查模型的适配性和预测性能来验证模型。
Dec, 2013
本文从贝叶斯非参数的角度出发,重新审视了 k-means 聚类算法。通过分析 Dirichlet 过程混合物的 Gibbs 抽样算法,我们发现这个算法在极限下接近于硬聚类算法,可以优雅且单调地最小化一个类似 k-means 的聚类目标,包括对聚类数的惩罚。我们将这个方法推广到了多个数据集的聚类情况,并讨论了进一步的扩展,包括门槛特征向量的光谱松弛和在图中不需要固定聚类数的归一化割图聚类算法。
Nov, 2011
提出了一种基于贝叶斯非参数方法的、不需要假定模型真实的学习方法,该方法利用统计模型但不要求模型真实,并且具有比参数模型更好的性质,并可通过蒙特卡罗采样方案在现代计算机架构上实现大规模计算。
Jun, 2018
从非参数贝叶斯模型中提取归纳偏好并将其转移到人工神经网络,使得神经电路能够在开放类集合上成功进行顺序推理,实现了与基于粒子滤波器方法相当甚至更好的性能,并且速度更快、使用更简单。
Nov, 2023
应用小方差渐近方法直接处理贝叶斯非参数模型的后验概率,得到一种超越聚类的特征学习目标函数,并提出一些易于实现的新算法,这些算法的效果被实验结果验证。
Dec, 2012
提出了一种新的多聚类方法,该方法使用非参数贝叶斯方法进行模型推断,使用变分推断来求解,该方法在处理高维度数据时更为适用,在聚类时模型同时处理了数值型和分类型变量,应用该方法于真实数据集时能够推出数据集的聚类结构信息,并可应用于抑郁症数据集上。
Oct, 2015
本文提出了一种基于非参数核密度估计的变分逼近方法,通过优化内核位置和带宽参数最大化数据边际似然下限,不同于其他变分逼近方法,本方法能够捕捉后验分布的多个模式,并成功应用于各种图模型和非线性矩阵分解模型中,预测性能优于更专业化的变分方法和基于样本的逼近方法。
Jun, 2012
介绍了一种基于机器学习的方法,通过非线性条件异方差回归和改进的重要性采样方法估计后验概率密度,相较于现有方法在统计遗传学和排队模型等领域计算负担减轻了不少。
Sep, 2008