无标准化模型的条件噪声对比估计
通过将噪声对比估计(NCE)方法与传统最大似然估计(ML)方法结合,以及探索 NCE 与条件重要性采样(RNCE)和对比散度(CNCE)之间的关联,本研究实现了 NCE 方法的扩展和改进。
Feb, 2024
本文考虑了基于 NCE 的条件模型估计,通过分析两种条件模型变体:一种基于分类目标,另一种基于排序目标,证明了基于排序的 NCE 变体在较弱的假设下提供了一致的参数估计,同时分析了两种方法的统计效率,并在合成数据和语言建模实验中展示了两种方法的效果和权衡。
Sep, 2018
本文提出了一种使用正确评分规则理论的噪声对比估计(NCE)方法家族,适用于潜变量模型;这个方法家族可以通过类似变分贝叶斯的方式从数据样本和噪声样本中提取并利用信息,并被称为全变分噪声对比估计时损失函数,其中,变分自编码器是其中的一种,也可以用于使用适当的分类损失将实际数据与合成样本区分开来;此外,我们讨论了全变分 NCE 目标的其他实例,并指出它们在实证行为上的差异。
Apr, 2023
本文探讨了一种直接优化非规范化模型负对数似然的方法,通过引入噪声分布,实现了将对数分区函数写为组合函数的形式,进而通过随机组合优化算法进行优化,较噪声对比估计方法具有更快的收敛速度和更好的性能。
Jun, 2023
该研究探讨语言概率模型参数估计中遇到的计算问题及其解决方案,针对噪声对比估计与负采样方法的异同进行分析,发现 NCE 是一种渐近无偏的通用参数估计技术,而负采样则适用于学习词表示,但不适用于通用估计器。
Oct, 2014
本文探讨了两种基于二进制分类的生成模型估计标准的相似性和差异性,证明了一种动态生成器网络的 NCE 算法等价于最大似然估计;同时也指出了 GAN 算法存在的问题和未来的研究方向。
Dec, 2014
本文中介绍了一种新的图像对比学习方法,该方法采用有条件的负采样策略来优化互信息估计,与传统的噪声对比估计相比,该方法在多个标准数据集上都获得了 2-5% 的准确度提升,并且在物体检测、实例分割、关键点检测等下游任务中也获得了更好的性能表现。
Oct, 2020
本文提出了一种对比学习的方法,将负采样器增强为包含一个对抗性学习的混合分布,从而找到更难的负样本,这迫使主模型更好地学习数据的表示,通过在学习词嵌入、序列嵌入和知识图谱嵌入等方面进行评估,观察到了更快的收敛速度和更好的结果。
May, 2018