基于变分信息瓶颈的距离度量学习模型
原文中文,约600字,阅读约需2分钟。发表于: 。本文首次将变分信息瓶颈与度量学习模型相结合,提出了一种新的度量学习模型 VIB-DML(Variational Information Bottleneck Distance Metric Learning),用于评分预测,通过解耦潜在空间特征向量,限制潜在空间特征向量的互信息以提高模型的鲁棒性并满足欧几里得距离的假设。实验证明,VIB-DML 具有出色的泛化能力,与通用度量学习模型...
通过信息论,重新演绎和推广现有变分方法,并设计新方法。基于多变量信息瓶颈解释,权衡两个贝叶斯网络。重新演绎了现有降维方法,推导出新的变分降维方法DVSIB。在噪声MNIST数据集上评估了所有算法,展示了Beta-DVCCA和DVSIB的优势。可用于统一其他多视图表示学习算法。