NIPSSep, 2014

适应性低复杂度序列推理用于 Dirichlet 过程混合模型

PDF
TL;DR提出一种适用于在线聚类和参数估计的低复杂度的序列推理过程，通过更新超参数并使用共轭先验假设，提出了易于计算的条件似然函数的闭形式参数化表达式和 Dirichlet 过程的自适应低复杂度设计。实验结果表明该方法优于其他在线最先进的方法。
dirichlet process mixturesonline clusteringparameter estimationasymptoticsadaptive design
发现论文，激发创造
  • ClusterCluster：针对狄利克雷过程混合模型的并行马尔科夫链蒙特卡罗算法

    本文介绍一种新型的 DP 重新参数化方法，该方法在聚类分析中广泛使用，能够实现 DP 的并行学习，从而提高了学习速度和效率，同时该方法不需要改变模型并且能够保持标准后验分布不变。

    Apr, 2013

  • 基于狄利克雷过程混合的相关性渐近动态聚类

    提出了一种基于依赖狄利克雷过程混合模型（DDPMM）的新的聚类算法，用于聚类包含未知数量的进化聚类的批量连续数据。该算法通过对 DDPMM 的 Gibbs 抽样算法进行低方差渐近分析而得出，提供类似于 k-means 算法的收敛保证的硬聚类。通过移动高斯聚类的合成测试和真实的 ADS-B 飞机轨迹数据测试的实证结果表明，与当代概率和硬聚类算法相比，该算法在提供更高准确性的同时需要更少的计算时间。

    May, 2013

  • Dirichlet 过程混合模型的快速搜索

    本文研究了用于密度估计的柏努利处理（DP）混合模型的计算问题，并提出了一种可用于大数据集的搜素算法。

    Jul, 2009

  • 面向分布式数据的狄利克雷过程混合模型可伸缩估计

    在分布式环境中，通过提出一种新的估计方法，允许本地节点创建新元素并通过概率一致性方案合并相应聚类的组件，同时保持估计的一致性，此法可在分布式和异步环境中实现高可扩展性。

    Sep, 2017

  • 针对狄利克雷过程分层模型的追溯马尔可夫链蒙特卡罗方法

    本文介绍了两种新的马尔可夫链蒙特卡罗算法，使用回溯抽样方法，可以避免有限近似，从而精确地从兴趣量的后验分布中进行抽样，同时比较了边缘和条件方法，并包括了模拟研究。

    Oct, 2007

  • 高斯过程潜变量模型的连续采样

    本文研究在数据的概率模型中推断一个潜在函数的问题，并探究了基于马尔可夫链蒙特卡罗采样的高效计算方法在大型数据集上的可行性，提出了一种近似方法，使潜在变量和相关参数的顺序采样能够有效地处理增长数据设置，证明了其在无序、非顺序采样下不可行的情况下的强大性能。

    Jul, 2018

  • 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

  • 使用 Dirichlet 过程混合模型的非线性模型

    我们介绍了一种新的非线性分类模型，使用狄利克雷过程混合对反应变量 y 和协变量 x 的联合分布进行非参数建模，并在混合成分内保持 y 和 x 之间的关系线性。如果混合物包含多个成分，则总体关系变成非线性。我们使用模拟数据来比较这种新方法与简单的多项式逻辑模型 (MNL)、带有二次项的 MNL 模型和决策树模型的性能，并在蛋白折叠分类问题上评估我们的方法，发现我们的模型相对于基于神经网络 (NN) 和支持向量机 (SVM) 的先前方法具有实质性改进。蛋白质折叠类别具有分层结构。我们将我们的方法扩展到分类问题，其中有一个类别分层结构。我们发现，使用关于蛋白折叠分层结构的先前信息可以提高预测准确性。

    Mar, 2007

  • 泊松 - 狄利克雷过程的贝叶斯视角

    本文介绍了 Poisson-Dirichlet 过程及其在 Bayesian 建模中的应用，包括构建离散问题的先验、后验和计算技巧，还介绍了分割、共轭、分形和聚类等特性。

    Jul, 2010

  • 广义线性模型的狄利克雷过程混合模型

    提出了一种新的非参数回归方法：Dirichlet Process mixtures of Generalized Linear Models (DP-GLM)，可容纳连续和分类输入以及可以由广义线性模型建模的响应，该文中还给出了 DP-GLM 回归均值函数估计的渐近无偏条件。通过实际数据集分析，与现有回归方法相比，DP-GLM 提供了一个表现良好的单一模型。

    Sep, 2009