Unsupervised Learning with High-dimensional Samples
在過去的幾十年裡，運用機器學習技術來解決非監督式學習問題吸引了學者們的廣泛關注。隨著採集技術的發展，高維樣本變得更加普遍，這給學術研究提供了更多的可能性。但在這種情況下，學習算法的設計和分析也變的更有挑戰。 === 在這篇論文中，我們從隱變量模型的角度研究這個問題。隱變量模型的主要動機是給任意一個觀測到的高維樣本關聯一個低維隱變量。我們首先研究高斯聚類問題中的組合優化問題，此時任意一個高維樣本都擁有一個二元向量去描述它的隸屬度。在不給模型參數做任何先驗假設的條件下，我們運用貝葉斯陰陽算法求解這個模型，並取得了很好的效果。在我們的算法中，高斯分佈的個數能夠在學習的過程中自動確定。大量的實驗也表明...
| Other Authors: | |
|---|---|
| Format: | Others |
| Language: | English Chinese |
| Published: |
2016
|
| Subjects: | |
| Online Access: | http://repository.lib.cuhk.edu.hk/en/item/cuhk-1292409 |