关键词sparse bayesian learning
搜索结果 - 5
- 稀疏贝叶斯 Correntropy 学习：从嘈杂的脑信号重建强壮肌肉活动
通过集成最大正相关性准则（MCC）于稀疏贝叶斯学习方法中，本文提出了一种新的稀疏贝叶斯相关性学习框架，以实现同时的鲁棒性和稀疏性，通过实验结果验证了该方法在噪声回归任务和真实肌肉活动重建任务中的鲁棒性提升，为神经解码提供了强大的工具，可推动 - 稀疏贝叶斯学习模型的超参数估计
本文提出了一个综合框架，用于稀疏贝叶斯学习模型中的超参数估计，包括著名的算法如期望最大化、MacKay 和凸包算法。通过交替最小化和线性化范式来统一解释这些算法，并引入了一种新颖的算法，表现出增强的效率，尤其是在低信噪比条件下。此外，还通过 - ICLR具有稀疏性的判别高斯混合模型
通过稀疏贝叶斯学习，提出了一种基于判别高斯混合模型（Sparse Discriminative Gaussian Mixture, SDGM）的分类器。实验结果表明，该方法优于现有的基于 softmax 的判别模型。
- 推广线性模型统一贝叶斯推断框架
本文提出了一种统一的贝叶斯推理框架，用于解决广义线性模型问题，并证明了该框架的有效性和等价性，同时也引出了基于标准线性模型的一些新算法扩展。该框架在一位信号采样处理中有着显著的表现，说明了该方法的优越性。
- 基于稀疏贝叶斯方法的低秩矩阵估计
本文提出了一种新的基于贝叶斯原则的稀疏学习（SBL）的 “矩阵完成” 和 “鲁棒主成分分析” 算法，该方法通过将低秩约束作为稀疏约束来确定正确的秩，并能提供很高的恢复性能。