检索结果-南通市图书馆

检索条件"主题词=隐高斯-多项生成模型"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

生成模型中隐变量结构选择方法研究

生成模型中隐变量结构选择方法研究

引用

作者：蒋硕然天津科技大学

学位级别：硕士

机器学习中的生成模型(Generative Model,GM)用于对数据直接建模或作为条件概率密度函数的中间步骤。生成模型通常是概率性的,指定观测值和目标值(标签)之间的联合概率分布,可以通过贝叶斯概率形成条件分布。该模型假设所有数据都是由... 详细信息

机器学习中的生成模型(Generative Model,GM)用于对数据直接建模或作为条件概率密度函数的中间步骤。生成模型通常是概率性的,指定观测值和目标值(标签)之间的联合概率分布,可以通过贝叶斯概率形成条件分布。该模型假设所有数据都是由同一个潜在的模型生成,这个假设使得我们将未标记数据与学习目标联系在一起。典型的生成模型有:高斯混合模型(Gaussian Mixture Model,GMM),变分子编码(Variational Autoencoders,VAEs)和主题模型算法(Latent Dirichlet Allocation,LDA)等。在对数据进行概率生成模型建模时,对隐变量的先验概率分布的假设会影响模型对数据的拟合。为提高模型的灵活度和拟合度,对隐变量假设先验模型为混合模型是一种有效的方法。在本文中,研究者对GMM和VAEs的隐变量模型进行了改进,并提出 LGMG(Latent Gaussian-Multinomial Generative Model)模型。具体工作如下:第一,针对GMM模型,本文基于期望最大算法(Expectation Maximization Algorithm,EM)提出基于KS检验的高斯混合模型分裂与合并算法(KSGMM)。KSGMM算法以最小描述长度(Minimum Description Length,MDL)为目标函,平衡了数据拟合度与模型复杂度。以信息熵和KS检验对GMM中错误聚类的子模型进行判别,提高了对隐变量的估计精度。第二,针对VAEs模型,本文提出混合变分子编码(Mixture Variational Autoencoders,MVAEs)。MVAEs假设样本由混合模型生成,保留连续隐变量作为样本的隐层表示并引入了一个离散的隐变量。为实现对两个隐变量的变分贝叶斯估计,MAVEs利用多层神经网络学习隐变量的后验参数。结合重抽样技术和蒙特卡洛抽样方法实现了 MVAEs的随机梯度变分贝叶斯算法,并且在MNIST和OMNIGLOT数据库上对比分析了 MVAES、CVAEs、VAEs、SB-VAE、VAEAF 和 GMVAEs 算法的性能。第三,基于对离散隐变量的神经网络变分贝叶斯推理,本文提出了 LGMG(Latent Gaussian-Multinomial Generative Model,LGMG)模型。LGMG 是一个包含两种隐变量的三层贝叶斯模型,用来对图像语义标注信息建模。对比与传统的LDA-based模型和神经网络的方法,LGMG不需要手动的分割图像中的实例,而是用高斯隐变量概括图像的隐层语义信息。本文在LabelMe数据库上对比了 LGMG、tr-mmLDA、cLDA、VAEs和cVAEs模型的变分下界。

关键词：生成模型高斯混合模型变分子编码 KSGMM 混合变分自编码随机梯度变分贝叶斯隐高斯-多项生成模型

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：