基于深度高斯过程的多元类别数据分布估计

• 作者: 刘姝君 李艳婷
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 多元类别数据 生成式模型 深度高斯过程 无监督学习 变分推断
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 人工智能及识别技术
• 页码范围: 160-166
• 页数: 7页
• 分类号: TP181
• 字数: 6178字
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0049671

摘要

多元类别数据的可能取值会随向量长度的增长呈指数级增长, 从而造成数据稀疏性问题.通过将观察数据嵌入到连续空间中训练识别数据之间的相似性, 构建多元类别数据的线性高斯隐变量模型和类别隐高斯过程 (CLGP) .在CLGP模型基础上, 建立小样本多元类别数据分布估计的多元类别深度隐高斯过程模型, 并结合蒙特卡洛采样的变分推断方法对模型进行参数优化.实验结果表明, 与CLGP模型相比, 该模型分布估计精确度有所提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李艳婷	上海交通大学机械与动力工程学院	14	15	3.0	3.0
2	刘姝君	上海交通大学机械与动力工程学院	1	0	0.0	0.0