NIPSOct, 2018

基于深度生成模型的半众包聚类

PDF
TL;DR本论文考虑基于有噪声的数据子集对聚类问题进行半监督学习，提出一种新的深度生成模型和统计关系模型相结合的方法，并采用贝叶斯推断策略，采用快速（自然梯度）随机变分推断算法进行推断，实验结果显示该方法优于以往的基于众包的聚类方法。
semi-supervised clusteringdeep generative modelstatistical relational modelcrowdsourcingbayesian inference
发现论文，激发创造
  • 具有群集感知生成模型的半监督生成

    本文介绍了 Cluster-aware Generative Model 这一基于深度生成模型的半监督学习方法，利用未标记的数据点探索数据自然聚类模式，同时引入部分带标记的数据对模型进行优化，有效提高了模型性能。该模型也能够在完全无监督的情况下实现优异的对数似然性能。

    Apr, 2017

  • 深度生成模型的半监督学习

    利用迭代方法的变分技术，基于生成模型，研发半监督学习的新算法，解决现代数据分析中处理大规模非标记数据集挑战。深度生成模型与贝叶斯推理结合，灵活、高效、可拓展，为半监督学习提供了有力支持。

    Jun, 2014

  • 深度变分聚类生存数据

    本文介绍了一种基于半监督概率方法的生存数据聚类技术，使用了深度生成模型解决了未知基础变量和被检查的存活时间分布的问题，并在广泛的数据实验中取得了良好的效果和表现。

    Jun, 2021

  • 带有深度生成模型的贝叶斯半监督学习

    这篇研究提出了使用带有随机输入的判别组件来增加噪声灵活性，实现模型的半监督贝叶斯主动学习，并且通过全贝叶斯判别组件实现参数值不确定性的估计。

    Jun, 2017

  • 贝叶斯非参数众包

    本研究旨在提出两种基于中华餐厅过程 (CRP) 先验概率和分层结构的全新无监督模型，以更好地处理众包数据标注中用户注释的质量问题，并利用 Gibbs 采样的高效推理算法对其进行实验验证。

    Jul, 2014

  • 具有附加信息的关系数据的深度生成模型

    提出一种基于概率框架的深度学习架构，可用于发现重叠社区和关系数据中的链接预测，利用多层潜在特征 / 社区来提高复杂网络上的链接预测性能，通过回归模型将可用的节点属性作为侧面信息，能更好地解释潜在特征，具有高效且可扩展的优点。

    Jun, 2017

  • 使用双重随机 MCMC 学习深度生成模型

    本文介绍了倍增随机梯度 MCMC 这一简单通用的方法，用于在折叠的连续参数空间中对深度生成模型进行（近似）贝叶斯推理。我们的方法不仅适用于密度估计和数据生成的任务，还可以用于缺失数据的填充，且在性能方面优于许多现有的竞争对手。

    Jun, 2015

  • （半监督）最大化边缘深度生成模型用于学习

    本文介绍了一种新的深度生成模型 (DGMs) - max-margin deep generative models (mmDGMs) 和 class-conditional variant (mmDCGMs)，它们同时保留了生成性和判别性，通过最大间隔学习来提高模型的预测性能，并且在半监督学习中利用了最大间隔分类器来代替全局后验推断从而提高学习效率。在各种数据集上的实验结果表明，这种方法可以明显地提高模型的预测性能。

    Nov, 2016

  • 基于图的半监督学习的灵活生成性框架

    本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。

    May, 2019

  • 基于图高斯过程的贝叶斯半监督学习

    提出了一种基于高斯过程的贝叶斯方法对图中的半监督学习问题进行高效数据处理，与目前最先进的图神经网络相比，该模型表现出极强的竞争力，在标记稀少的主动学习实验中超越了神经网络，并且模型不需要验证数据集来控制过拟合。

    Sep, 2018