AI前沿人
下载贤集网APP入驻自媒体
贝叶斯方法特别是最近流行的非参数贝叶斯方法已广泛应用于机器学习的各个领域,并且收到了很好的效果.这里简要提出几点应用和扩展。 经典的非参数化贝叶斯方法通常假设数据具有简单的性质,如可交换性或者条件独立等;但是,现 实世界中的数据往往具有不同的结构及依赖关系.为了适应不同的需求,发展具有各种依赖特性的随 机过程得到了广泛关注。 例如,在对文本数据进行主 题挖掘时,数据往往来自不同的领域或者类型,我们通常希望所学习的主题具有某种层次结构,为此,层次狄雷 克 利 过 程 (hierarchical Dirichletprocess, HDP)被提出,可以自动学习多层的主题表示,并且自动确定主题的个数。 另外,具有多个层次的IBP过程也被提出,并用于学习深层置信网络的结构,包括神经元的层数、每层神经元的个数、层间神经元的连接结构等.其他的例子还包括具有马尔可夫动态依赖关系的无限隐马尔可夫模型、具有空间依赖关系的狄雷克利过程等。 另外,对于有监督学习问题,非参数贝叶斯模型最近也受到了广泛的关注.例如,社交网络数据建模和预测是一个重要的问题,近期提出的基于IBP 的非参数化贝叶斯模型可以自动学习隐含特征,并且确定特征的个数,取得很好的预测性能.使用DP 混合模型同时作聚类和分类任务也取得了很好的结果。
