半监督学习-生成式方法_第1页
半监督学习-生成式方法_第2页
半监督学习-生成式方法_第3页
半监督学习-生成式方法_第4页
半监督学习-生成式方法_第5页
已阅读5页，还剩3页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

半监督学习：生成式方法Semi-SupervisedLearning:GenerativeApproach主讲：耿阳李敖计算机与信息技术学院视觉智能实验室（VisInt）BeijingJiaotong

University生成式方法假设训练集中分别包含已标记与未标记数据，它们均由同一个潜在概率模型采样生成通过潜在模型参数将两类数据联系起来共同辅助学习训练完成的模型既可以用于分类判别，也可用于样本生成生成模型形式化

模型参数估计通过最大似然进行参数估计：EM算法进行求解E步：对于无标签样本估计固定参数下的后验概率M步：对目标函数在后验概率下的期望进行最大化

模型参数估计M步详细步骤引入中间变量：闭式解更细：半监督生成模型为了提升建模能力，可将高斯混合模型替换为专家混合模型，也即半监督生成模型简单易于实现，仅需要少量带标注数据，可利用大量无标注的数据然而模型的性能取决于假设模型与真实数据模型的吻合程度。遗憾的是，现实数据的生成模型往往非常复杂，在缺乏领域知识的情况下选择合理的假设模型是非常困难的

扩展阅读周志华.Chapter13.2in机器学习[M].清华大学出版社,2016.BishopCM,SvensénM.Bayesianhierarchicalmixturesofexperts[J].arXiv

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论