基于深度高斯过程的多元类别数据分布估计

来源：计算机工程杂志2019年第2期北京时间：

作者：刘姝君,李艳婷

单位：上海交通大学 机械与动力工程学院,上海 200240

摘要：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。

关键词：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

基金资助：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)