- 无监督词典分类的混合模型
本文通过结合狄利克雷过程,提出了一种方法 - 时刻非监督词汇分类的混合版本。
- 基于狄利克雷过程的无限预测组合
通过整合来自目标时间序列的多个预测结果,本文介绍了一种基于狄利克雷过程的深度学习集成预测模型。该方法通过单一训练过程生成所需的基学习器,并利用权重调整和多样性策略来进行组合,从而在预测精度和稳定性上相比于单一基准模型有显著提升。
- 利用狄利克雷过程似然方法将功能摘要信息纳入贝叶斯神经网络中
本文提出了一种将先验知识通过外部摘要信息纳入贝叶斯神经网络中的简单方法,通过引入 Dirichlet 过程并推导相应的总结证据下限,将可用的摘要信息作为增广数据建模。使用本方法可以增强模型对分类任务难度和类别分布的了解,并在准确性、不确定性 - DP-Parse: 使用实体词典从原始语音中找到单词边界
提出 DP-Parse 模型,使用基于实例词汇表的 Dirichlet 过程对语音信号进行分割处理,并且可以与语言模型配合使用,通过新的口语词嵌入数据集对其语义和句法表征能力做出评估。
- CVPR基于图嵌入的姿态聚类用于异常检测
本论文提出使用基于人体姿态图的新型异常检测方法,并运用 Dirichlet 过程,将数据映射到潜在空间中,最终通过弱分类器,达到在广泛基准测试集上表现优异的结果。
- 贝叶斯斥力高斯混合模型
本文提出了一种新的 Bayesian 高斯混合模型,其通过斥力先验可实现对聚类的优化,使得模型更具泛化性和可扩展性,同时提供了一种高效的基于 Gibbs 采样算法实现的方法,并借助模拟实验和真实数据分析验证了模型的有效性。
- 无限变分自编码器用于半监督学习
本文提出了一种基于混合模型和狄利克雷过程的无限变分自编码器,其容量能够适应输入数据,从而使得自动编码器数量能够根据数据自动变化,实验结果表明该方法在半监督学习中具有很高的灵活性。
- 具有分层皮特曼 - 约尔过程的非参数贝叶斯主题建模
本文介绍了用于构建层次化非参数贝叶斯模型的狄利克雷过程及其扩展 —— 皮特曼 - 约尔过程,提出了用于文本分析的潜变量模型。重点介绍了一种通用的贝叶斯模型设计框架,并提出了一种具体的非参数贝叶斯主题模型,用于对社交媒体上的推文进行建模。实证 - ICML基于贝叶斯非参数多层聚类与组级上下文
本文提出了一种贝叶斯非参数多层聚类框架,利用群组水平上下文信息同时发现群组内容的低维结构和将群组分成簇,实验结果表明,该模型在文本和图像领域中利用上下文信息具有优势。
- 结构化时间序列的快速非参数聚类
本研究结合贝叶斯非参数模型高斯过程和狄利克雷过程,创新性地在高斯过程的基础上引入结构化时间序列数据模型,以及加速新型的狄利克雷过程变分推理算法,可用于优化我们的方差逼近。生物时间序列应用实例中,我们的模型更好地捕获了数据的显著特征,提高了与 - ICMLClusterCluster:针对狄利克雷过程混合模型的并行马尔科夫链蒙特卡罗算法
本文介绍一种新型的 DP 重新参数化方法,该方法在聚类分析中广泛使用,能够实现 DP 的并行学习,从而提高了学习速度和效率,同时该方法不需要改变模型并且能够保持标准后验分布不变。
- Dirichlet 过程混合模型的快速搜索
本文研究了用于密度估计的柏努利处理(DP)混合模型的计算问题,并提出了一种可用于大数据集的搜素算法。
- 针对狄利克雷过程分层模型的追溯马尔可夫链蒙特卡罗方法
本文介绍了两种新的马尔可夫链蒙特卡罗算法,使用回溯抽样方法,可以避免有限近似,从而精确地从兴趣量的后验分布中进行抽样,同时比较了边缘和条件方法,并包括了模拟研究。
- 转录因子结合基序的贝叶斯聚类
使用贝叶斯分层模型基于狄利克雷过程,对转录因子 Motif 聚类,减少大数据库中的冗余,该聚类模型可用于许多聚类应用,如预测共同调控的基因。