使用代数方法建立了鉴定隐藏类模型参数的一般方法,包括有限或非参数混合、隐藏马尔可夫模型和随机图混合模型,并且发现在参数化设置中,传统定义的可辨识性通常太强,在非参数设置中,受到限制的混合分布才能获得可识别性。
Sep, 2008
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
本文研究了非线性潜在变量的分层因果模型的识别问题,并证明在一些缓和的假设下,可以实现因果结构和潜在变量的可识别性。
Jun, 2023
提出一种适用于异构数据的通用贝叶斯非参数潜在特征模型,能自动进行探索性分析,并能从数据自动推断模型复杂度。
Jul, 2017
本文从可识别性的角度出发,详细介绍了非负矩阵分解的模型可识别性及其与算法和应用的联系,帮助研究人员和研究生掌握 NMF 的本质和洞见,避免由于无法识别的 NMF 公式导致的典型‘陷阱’。同时,本文也帮助实践者选择 / 设计适合其问题的分解工具。
Mar, 2018
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
该论文提出了一种新的识别标准,用于保证在非负矩阵分解 (NMF) 模型中恢复低秩潜在因子,在轻微条件下。具体来说,使用提出的标准,只要一个因子的行在非负第一象限中足够分散,就足以识别潜在因子,而在另一个因子上没有施加任何结构假设,除了完全秩。这迄今为止是从 NMF 模型中可证明识别潜在因子的最温和条件。
Sep, 2017
本文提出了一种基于自编码器的方法,通过恢复两个统计独立组件的隐藏元素来解决混合数据下的潜变量发现问题,并在图像合成、语音合成和胎儿心电图提取等多个任务中进行了性能验证。
Oct, 2021
本文探讨了两个方向上的无监督学习语法模型:其可辨识模型及参数有效估计以及处理对句子进行分析的拓扑结构的未混合策略。
Jun, 2012
该研究提出了一种利用贝叶斯神经网络和潜变量来准确捕捉模型不确定性的方法,并解决了该模型普遍存在的非识别性问题,并通过开发一种新的推断程序来提高预测准确性和不确定性估计。
Nov, 2019