Nov, 2011

通过 Beta 过程联合建模多个相关时间序列

PDF
TL;DR该研究提出了使用贝叶斯非参数方法在多个相关时间序列的联合建模问题上的解决方案，其中使用了潜在的共享动态行为发现方法，提出了一种基于 Beta 过程先验的高效 Markov chain Monte Carlo 方法，并利用 birth 和 death proposals 方法探究新的动态行为，最终实现了对于视频运动捕捉数据的无监督分割，并在一些合成数据集中获得了良好的结果。
bayesian nonparametric approachlatent shared dynamical behaviorsbeta process priormetropolis-hastings acceptance probabilitiesunsupervised segmentation
发现论文，激发创造
  • 基于 Beta 过程的多个时间序列联合建模及其在动作捕捉分割中的应用

    本文提出了一种贝叶斯非参数方法来联合建模多个相关时间序列，该模型可以发现一组隐含的动态行为，并将每个时间序列分段为由这些行为的一个子集定义的区域。使用 Beta 过程先验，通过数据推断了行为集的大小和共享模式，基于印度自助餐表示的 Beta 过程预测分布的 MCMC 推理算法，通过新颖的拆分 - 合并移动以及数据驱动的出生和死亡建议，有效地添加和移除行为，并避免考虑截断模型。我们在无监督分割人体动作捕捉数据中取得了令人满意的结果。

    Aug, 2013

  • 具有随机结构均值场变分推理的 Beta 流程非负矩阵分解

    本文从贝塔过程的角度，推导了一种针对具有 Poisson 分布似然函数的非负矩阵分解 (NMF) 模型的结构均场变分推理算法，并利用最近开发的随机结构均场变分推理方法来恢复潜在变量之间的依赖关系，并在合成和真实数据上进行了初步的实验验证。

    Nov, 2014

  • 结构化时间序列的快速非参数聚类

    本研究结合贝叶斯非参数模型高斯过程和狄利克雷过程，创新性地在高斯过程的基础上引入结构化时间序列数据模型，以及加速新型的狄利克雷过程变分推理算法，可用于优化我们的方差逼近。生物时间序列应用实例中，我们的模型更好地捕获了数据的显著特征，提高了与现有生物分类的一致性，同时推理算法提供了 EM 变分推理的两倍速度。

    Jan, 2014

  • Beta 负二项式过程和泊松因子分析

    本文提出了一种基于 beta 负二项（BNB）过程的 beta-gamma-Poisson 过程，并将其应用于无限泊松因子分析模型中作为一种非参数贝叶斯先验。通过数据增广和边缘化技术进行了有效的 MCMC 计算，实现了 beta 过程的有限逼近 Levy 随机测量。结果表明该方法在文档计数矩阵分解方面表现出了很好的效果。

    Dec, 2011

  • 组合聚类与贝塔负二项式过程

    本文提出了一种贝叶斯非参数方法来解决多重潜在类别问题，介绍了负二项式过程作为适用于此类问题的无限维先验，并研究了基于其的后验分布及其层次化模型。通过实验，使用了分割、识别和分析领域的后验推断的 MCMC 算法。

    Nov, 2011

  • MAD-Bayes: 基于 MAP 的渐近推导与贝叶斯

    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

  • Gamma 过程、Stick-Breaking 和 Variational 推断

    本研究提出了一种基于棍状破坏构造定义的 Gamma 过程的变分推断框架，用于 Bayesian 非参数 Latent 结构建模，结果表明其在文档库上的非负矩阵分解任务中表现良好。

    Oct, 2014

  • 贝叶斯非参数泊松过程分配用于时间序列建模

    本文提出了一种针对时间序列的具有潜在函数模型的贝叶斯非参数泊松过程分配（BaNPPA）方法，通过模拟一个高斯过程中的函数，利用无限混合的潜在函数表示强度来自动推断潜在函数数量，随后通过变分推断算法调节潜在函数的体积来应对权重不可区分的问题，该算法高效，并且在合成和真实数据集的实验中取得了良好的效果。

    May, 2017

  • 相关计数时间序列分组的有效贝叶斯建模

    本文介绍了一种适用于计数时间序列数据的分层贝叶斯模型，能够轻松地考虑影响因素和在相关的时间序列数据组之间共享统计信息，并提出了一种高效的近似推理方法，并在供应链规划的多个数据集上进行了性能测试。

    May, 2014

  • 具有分层功率先验的数据流贝叶斯模型

    本文提出了一种贝叶斯方法来处理数据流中连续模型更新和适应底层数据生成分布的漂移问题，使用非共轭分层先验来显式地建模模型参数的时间变化，并导出了一种新的变分推断方案，验证实验表明这种方法在三个潜变量模型的三个真实数据集上具有良好的效果。

    Jul, 2017