本文提出了一种基于贝叶斯非参数潜变量模型的非线性方法,假设潜空间先验为稀疏和无限维。该方法通过使用印度自助餐过程先验在潜变量上,自动且概率地选择潜变量数目,保证潜变量空间中实例化的维度数目是有限的,实现了稀疏、非线性的潜变量建模,引入随机傅里叶近似法以简化推理,并通过马尔可夫链 - 蒙特卡罗采样容易地实现后验推断。该方法适用于超出高斯设置范围的多种观察模型,在合成、生物和文本数据集上的表现优于以往的潜变量模型。
May, 2022
我们提出了 Wright-Fisher 印度自助餐过程 (WF-IBP),这是一个适用于贝叶斯非参数特征分配模型的概率模型,其中潜在特征根据时间表现出依赖结构,我们描述了一个复杂的 Markov Chain Monte Carlo 算法来对其进行确切的后验模拟,并将其应用于开发无参数的主题模型。
Nov, 2016
本文介绍了级联的印度自助餐过程 (CIBP),将其作为单层无限宽隐藏层的置信网络的有向结构的非参数贝叶斯先验,提供了一种无限深和宽、可处理推理的分层有向置信网络结构学习方法,使用非线性高斯置信网络和可变离散和连续表示的单元,提供了用于置信网络推理的马尔可夫链蒙特卡洛算法,并通过多个图像数据集探索了学习到的结构。
Dec, 2009
提出了一种非参数贝叶斯因子分析(FA)的扩展,其中观察数据 𝐘 被建模为潜在无限个隐藏因素 𝐗 的线性叠加 𝐆,使用印度自助餐过程(IBP)作为先验来描绘稀疏性并允许推断潜在特征的数量,使用基于已知 E. Coli 稀疏连接矩阵的随机数据集以及三个逐渐复杂的生物数据集来研究该模型在基因表达数据建模中的实用性。
Nov, 2010
本文提出了一种适用于分布式计算的子模函数最大化方法 GreeDi,该方法可在 MapReduce 框架下实现,初步实验表明该方法可应用于大规模机器学习任务中的子模优化问题,如稀疏高斯过程推断和样例聚类等问题,且在一定的自然条件下,可以达到接近于传统集中式计算模式下的性能表现。
Nov, 2014
提出一种非参数贝叶斯因子回归模型,考虑因子个数的不确定性和因子间的关系,通过 Kingman coalescent 基于因子的分层模型,将其与 sparse Indian Buffet Process 相结合,应用于基因表达数据分析中的因子分析和因子回归问题。
Aug, 2009
本研究旨在利用大量的 NESARC 数据库中收集到的信息,应用非参数潜在模型来分析精神障碍的互相关联关系,并提供了一种有效率的分析方法。
Jan, 2014
本文介绍了高斯过程模型中两种推断超参数后验分布的方法,一种是哈密顿蒙特卡罗(HMC)求解采样近似,另一种是变分推断(VI),其中超参数后验分布被近似为一个因子化的高斯分布或全秩高斯分布,该文分析了完全贝叶斯高斯过程回归在多个基准数据集上的预测性能。
Dec, 2019
本研究以连续贪心算法为基础,研究了具有一般性骨架约束的随机子模最大化问题,主要应用于在线学习,团队形成,设施位置,影响最大化,主动学习和感知目标函数。实验表明,使用多项式梯度估计代替样本估计,可有效减少随机性并缩短执行时间。
Mar, 2023
本文提出了一种基于增量建立 - 推断 - 近似(IBIA)框架的算法,用于近似求解贝叶斯网络中最大可能解(MPE)的推断问题,该算法无需搜索,运行时间竞争力强,可在 117 个测试基准中的 100 个得到有效结果,精度与分支限界搜索相当。
Jun, 2022