Jun, 2015

变分高斯 Copula 推理

PDF
TL;DR利用 copula 构建和优化层次贝叶斯模型中的变分提议的统一框架，提出了一种半参数自动化变分 Gauss Copula 方法，通过参数化 Gauss Copula 家族，能保留多元后验相关性，通过基于 Bernstein 多项式的非参数变换提供了足够的灵活性来描述单变量边际后验。
copulashierarchical bayesian modelsvariational proposalsgaussian copula approachbernstein polynomials
发现论文，激发创造
  • 变分高斯过程

    本文提出了一种变分高斯过程 (VGP) 方法，该方法是一种贝叶斯非参数变分方法，利用随机非线性映射生成近似后验样本，适应于复杂的后验分布，且通过学习随机映射的分布来使之适应于不同的复杂度，该方法在无监督学习中实现了最新的最佳结果。

    Nov, 2015

  • 高维半参数潜在图模型中的混合数据

    本文提出了一种名为潜在高斯 Copula 模型的半参数模型，用于建模二元和混合数据的多元统计学习。

    Apr, 2014

  • 非参数变分推断

    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

  • 高斯过程模型输入不确定性的变分推断

    本文提出了一种贝叶斯方法，通过非标准变分推理框架在 GP-LVM 中近似积分出潜在变量，从而通过最大化解析较低下界的确切边缘似然来训练 GP-LVM，在学习非线性动态系统方面具有鲁棒性和自动选择非线性潜在空间维数的能力。

    Sep, 2014

  • 使用非参数概率联合分布实现半监督领域自适应

    利用极值依赖理论提出了一种新的框架来解决半监督域自适应问题，该方法将任何多变量密度分别分解成边缘分布和二元 Copula 函数的乘积，通过检测和修正每个因素的变化来实现密度模型的适应，并引入了一种新颖的藤 Copula 模型，在非参数的情况下进行因式分解。实验结果表明，与最先进的技术相比，所提出的方法在具有真实世界数据的回归问题中表现出有效性。

    Jan, 2013

  • 高维半参数高斯族联合图模型

    本文提出了一种名为 “非参数鸟瞰者” 的半参数方法，用于高效且鲁棒地估计高维无向图模型；该方法采用了 高斯 Copula 图模型 以及 Spearman's rho 和 Kendall's tau 这些非参数秩相关系数估计器，以实现建模的灵活性和估计的鲁棒性。

    Feb, 2012

  • 变分自编码深度高斯过程

    通过与一个识别模型相结合，我们开发了一个可扩展的深度非参数生成模型。在利用多层感知器的变分框架下，我们重新参数化变分后验分布，并推导出一个可处理深度学习任务规模数据集的变分下界公式，证明了该方法在深度无监督学习和深度贝叶斯优化领域的有效性。

    Nov, 2015

  • Copula Processes

    定义蔟合过程，开发了一种随机波动率模型以描述随机变量之间相互依赖关系，使用贝叶斯推断和马尔科夫链蒙特卡罗方法进行预测，并发现该方法可以处理缺失数据、包括其他协变量和一类丰富的协方差结构，相对于 GARCH，该模型在模拟和金融数据上表现更好。

    Jun, 2010

  • 变分推理，高斯混合模型，贝叶斯机器学习

    通过优化固定协方差和常值权重的高斯混合模型，将变分推断（Variational Inference）视为最小化平滑相对熵，研究其在非高斯情况下的理论性质，包括梯度下降和粒子系统优化。

    Jun, 2024

  • 大数据的高斯过程

    介绍了一种基于随机变分推断方法的高斯过程模型，该方法使高斯过程模型能够应用于包含数百万数据点的数据集，并在需要执行变分推断的情况下，演示了如何将高斯过程分解为依赖于一组全局相关的引出变量的方法，并将其扩展到基于高斯过程的潜变量模型和具有非高斯似然度的模型。作者在简单玩具问题和两个真实数据集上展示了这种方法。

    Sep, 2013