面向分类任务的鲁棒高斯过程隐变量模型

来源：计算机技术与发展杂志2025年第02期北京时间：

作者：李平;仝涛

摘要：高斯过程隐变量模型(GPLVM)作为一种高效的贝叶斯无参降维模型,目前已广泛应用于多种应用中。 然而传统的 GPLVM 模型为完全无监督降维模型,导致其无法有效嵌入监督信息,从而极大地限制了其在监督学习任务中的性能。同时 GPLVM 通常假设数据噪声服从高斯分布,因此无法建模离群点噪声,从而严重影响了模型的鲁棒性。 针对上述问题,该文提出一种面向分类任务的鲁棒高斯过程隐变量模型。 该模型通过引入基于原型的分类器并基于此构建隐变量先验分布,实现了有监督的数据降维和分类。 同时,通过利用均值来建模数据的离群点噪声,进而实现了模型的鲁棒学习。在多个数据集上的实验结果表明,该模型在嵌入监督信息同时,可对离群点噪声进行有效建模,从而获得更优的分类准确率。

关键词：高斯过程;隐变量模型;监督学习;离群点噪声;鲁棒学习