×
林嘉良;王，韩

变分贝叶斯-高斯混合模型的MAP逼近及其应用。 （英语） Zbl 1398.68446号

软计算。 22，第10号，3287-3299（2018）.
摘要：变分推理的学习可以被广泛认为是首先估计类分配变量，然后用它来估计混合模型的参数。估计主要通过计算先前模型的期望值进行。然而，学习并不仅仅是期望。一些作者报告了其他可能的配置，这些配置使用不同的最大化组合或估计期望。例如，在期望期望（EE）算法下推广了变分推理。受此启发，另一种称为最大化最大化（MM）算法的变体最近被用于各种模型，如高斯混合、高斯混合场和基于稀疏编码的Fisher向量。尽管最近取得了成功，但MM并非没有问题。首先，很少有理论研究将MM与EE进行比较。其次，很少有人将MM的计算效率和准确性与EE进行对比。因此，很难说服MM的使用超过主流学习者，例如EE甚至吉布斯抽样。在这项工作中，我们在一个简单的贝叶斯GMM案例中重新审视了EE和MM的学习。我们还对MM和EE进行了理论比较，发现它们实际上获得了几乎相同的解。在实验中，我们进行了无监督分类，比较了MM和EE在两个数据集上的计算效率和准确性。我们还对两个数据集进行了无监督特征学习，并将贝叶斯方法（如MM）与其他最大似然方法进行了比较。

理学硕士：

68T05型 人工智能中的学习和自适应系统

关键词：

变分贝叶斯;高斯混合模型;期望最大化;图像分类

软件：

PRMLT公司
PDF格式BibTeX公司 XML格式引用
\textit{K.-L.Lim}和\textit{H.Wang}，软计算。22，编号10，3287-3299（2018；兹bl 1398.68446）
全文： 内政部

参考文献：

[1] Bdiri，T；布吉拉，N；Ziou，D，具有特征选择的无限广义倒置Dirichlet混合变量贝叶斯推断及其在聚类中的应用，应用智能，44507-525，（2016）·doi:10.1007/s10489-015-0714-6
[2] Bishop CM（2006）模式识别和机器学习。纽约州施普林格·Zbl 1107.68072号
[3] 布莱，DM；密歇根州约旦；等。，Dirichlet过程混合物的变分推断，贝叶斯分析，121-144，（2006）·兹比尔1331.62259 ·doi:10.1214/06-BA104
[4] 辛比斯，RG；韦贝克，J；Schmid，C，用于图像分类的非iid图像模型的近似Fisher核，IEEE Trans-Pattern Ana Mach Intell，38，1084-1098，（2016）·doi:10.1109/TPAMI.2015.2484342
[5] Cordunenu A，Bishop CM（2001），混合分布的变分贝叶斯模型选择。收录于：《人工智能与统计》，第2001卷。摩根·考夫曼，马萨诸塞州沃尔瑟姆，第27-34页
[6] 风扇，W；Bouguila，N，同时聚类和特征选择的广义Dirichlet分布的Dirichle过程的变分学习，模式识别，462754-2769，（2013）·Zbl 1323.68432号 ·doi:10.1016/j.patcog.2013.03.026
[7] 费菲，L；费格斯，右；Perona，P，《从少数训练示例中学习生成性视觉模型：在101个对象类别上测试的增量贝叶斯方法》，《计算视觉图像理解》，106，59-70，（2007）·doi:10.1016/j.cviu.2005.09.012
[8] 费尔南多，B；弗罗蒙特，E；缪斯莱特，D；Sebban，M，用于视觉词汇生成的高斯混合模型监督学习，模式识别，45897-907，（2012）·Zbl 1225.68176号 ·doi:10.1016/j.patcog.2011.07.021
[9] Kurihara，K；Welling，M，贝叶斯k-means作为最大化期望算法，神经计算，211145-1172，（2009）·Zbl 1178.68425号 ·doi:10.1162/neco.2008.12-06-421
[10] Lazebnik S，Schmid C，Ponce J（2006）《超越特征袋：识别自然场景类别的空间金字塔匹配》。摘自：2006年IEEE计算机学会计算机视觉和模式识别会议记录（CVPR'06），第2卷。IEEE，第2169-2178页
[11] Lian X-C，Li Z，Wang C，Lu B-L，Zhang L（2010）监督字典学习的概率模型。摘自：2010年IEEE计算机视觉和模式识别（CVPR）会议记录。IEEE，第2305-2312页
[12] Lim K-L，Wang H（2016）学习高斯混合场模型进行图像分类。摘自：2016年第14届控制、自动化、机器人和视觉国际会议（ICARCV）会议记录。IEEE，第1-5页
[13] Lim K-L，Wang H（2017），基于稀疏编码的Fisher向量，使用贝叶斯方法。IEEE信号处理。莱特。24(1):91
[14] Lim K-L，Wang H，Mou X（2016）使用最大化-最大化算法学习高斯混合模型用于图像分类。摘自：2016年IEEE第12届控制与自动化国际会议（ICCA）会议记录。IEEE，第887-891页
[15] Liu L，Shen C，Wang L，van den Hengel A，Wang C（2014）基于Fisher向量的稀疏编码编码高维局部特征。主题：神经信息处理系统的进展，第1143-1151页
[16] 麦凯DJC（2003）信息理论、推理和学习算法。剑桥大学出版社·Zbl 1055.94001号
[17] 马，Z；Leijon，A，带变分推理的贝叶斯混合模型估计，IEEE Trans-Pattern Ana Mach Intell，33，2160-2173，（2011）·doi:10.1109/TPAMI.2011.63
[18] Neal，RM，Dirichlet过程混合模型的马尔可夫链抽样方法，计算图统计杂志，9，249-265，（2000）
[19] Ozuysal M，Lepetit V，Fua P（2009），类别特定多视角物体定位的姿态估计。摘自：2009年IEEE计算机视觉和模式识别会议记录。CVPR 2009。IEEE，第778-785页
[20] 佩斯利，J；王，C；布莱，DM；Jordan，MI，Nested分层Dirichlet过程，IEEE Trans-Pattern Ana Mach Intell，37，256-270，（2015）·doi:10.1109/TPAMI.2014.2318728
[21] Teh YW、Jordan MI、Beal MJ、Blei DM（2004）《相关群体之间的共享集群：分层Dirichlet过程》。In：《神经信息处理系统的进展》，第1385-1392页
[22] Welling M，Kurihara K（2006）贝叶斯K-means作为最大化期望算法。摘自：2006年SIAM数据挖掘国际会议记录，第474-478页·Zbl 1178.68425号
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。