本研究提出了一种优化的变分贝叶斯推断算法,解决了随机特征潜变量模型在大规模数据集中的可扩展性问题,开发了可扩展的RFLVM版本,显著提升了计算效率和性能。
本文介绍了一种利用填空式提示和潜变量模型进行弱监督文本分类的方法,实验结果显示该方法在多个数据集上优于基线,提升了分类准确率。此外,ClassKG 框架和 MEGClass 方法在文本分类中也表现出色,展示了弱监督学习的潜力。
本文探讨了多种优化变分下界的方法,包括混合算法、变分贝叶斯蒙特卡罗(VBMC)框架和代理似然函数,以提高潜变量模型的训练效果。研究显示,变分推断在GARCH-like模型中表现优异,并提出了新的离线探索策略以改善样本质量。此外,介绍了评估模型性能的统计框架和Monte Carlo VAE方法,强调了算法性能改进的潜力。
本文介绍了一种基于张量分解的新方法,结合凸弛松和随机化技术,构建了可扩展的交替优化算法,适用于高维张量完成任务。研究探讨了张量环分解、稀疏张量分解及其在潜变量模型中的应用,并验证了不同算法的性能,展示了张量网络在数据处理中的优势。
该文综述了基于变分自编码器与高斯过程的潜变量模型,用于缺失数据处理、因果识别与高维降维,涵盖L-VAE、深度潜变量模型、LDGD及异构纵向VAE等方法,可建模共享与随机效应、时间动态及多模态数据,提升插值精度、预测准确性与计算可扩展性。
该文综述了高斯过程与潜变量模型的多项研究,包括潜变量多输出高斯过程、无监督多模态潜变量提取、非参数建模LDGD、卫星观测机器学习、稀疏高斯过程变分推断、GP-LVM贝叶斯方法、自适应采样、GP-LAPLACE、潜高斯过程回归及MuLTI对比学习框架,旨在提升预测性能、可扩展性与可识别性。
完成下面两步后,将自动完成登录并继续当前操作。