该研究介绍了一种适用于异构数据集的贝叶斯非参数潜在特征模型,具有共轭模型的属性,并且可以自动推断出数据中需要捕捉的潜在结构的特征数目。
Jun, 2017
使用柔性的、非参数的贝叶斯模型在多任务学习中建立混合的因子分析器结构,以解决什么样的隐含任务结构最适合于一个给定的多任务学习问题通常不清楚的问题,并给出了变分推断算法用于这个模型。
Jun, 2012
本文提出了一种基于层次贝叶斯模型的潜在变量模型,能更好地提取社交和生物学网络数据的结构关系并预测,相比只有一个层级的模型,本模型在预测性能上有显著的改进。
本文提出了一种全贝叶斯潜在变量模型,利用条件非线性独立结构学习高效的潜在表示;该模型能够捕捉极高维空间下的结构,可用于建模大规模未加工的图像,并通过从训练模型中的潜在空间中采样直接生成新图像;同时也演示了该模型在人体姿势预测中的应用,贝叶斯框架能够以一种合理的方式进行消岐,以包含数据动态特性的潜在空间先验。
本论文介绍了一种利用 max-margin learning 和 Bayesian nonparametrics 将判别性潜在特征和非参数潜在特征融合起来进行链接预测的方法,并提供了一种有效的 stochastic variational inference 算法以及贝叶斯公式,以避免调整正则化超参数。
Feb, 2016
使用 Bayesian 潜在因子建模方法和 Bayesian 非参数技术来学习 Netflix 用户的视频偏好,并使用可扩展的推理技术应用于大型数据集,最终结果表明该模型能够捕捉到观看模式和地理位置之间的有趣关系。
Dec, 2016
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
本研究提出一种较为准确地进行关系建模和预测的方法,该方法使用了具有判别性的非参数潜在特征关系模型 (LFRM),该模型使用概率推理,并将预测损失与贝叶斯模型的概率推理结合使用,并使用不同的规则参数来处理真实网络中不同类型链接的不平衡问题,同时对光滑的逻辑对数损失和分段线性铰链损失进行统一分析。
Dec, 2015
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
本文介绍了一种用于混合变量的 Restricted Boltzmann Machines 模型,可以同时建模多种类型和多样性的变量,并使用潜在二进制变量对变量之间的依赖性进行建模,支持在许多常见任务中使用,包括预处理、分类、回归和数据补全,同时在一个大规模数据集上进行了实验验证。
Aug, 2014