10.19678/j.issn.1000-3428.0049671
基于深度高斯过程的多元类别数据分布估计
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.
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
45
TP181(自动化基础理论)
国家自然科学基金面上项目"多元复杂时空数据建模与监控方法研究" 71672109
2019-05-31(万方平台首次上网日期,不代表论文的发表时间)
共7页
160-166