新的贝叶斯学习器 PYPM-GGD 可处理非共轭后验

研究人员开发了一种名为 PYPM-GGD 的新型大规模贝叶斯非参数学习器，旨在比传统的随机变分推断 (SVI) 更有效地处理非共轭后验。这种新颖的方法利用受 SVI 和 Adam 启发的自适应步长来提高学习收敛性和性能。该方法已证明与 ResNet 特征兼容，可用于 MIT67 和 SUN397 等大型数据集，并且在与最先进的深度聚类算法相比时，表现出具有竞争力或更优的结果。 AI

影响 为大规模贝叶斯非参数引入了一种新颖的方法，有望提高在复杂数据集和聚类任务上的性能。

排序理由 该条目是一篇 arXiv 预印本，详细介绍了一种新的机器学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Adam
• Generalized Gaussian Density
• logistic regression model
• MIT67
• Monte Carlo
• Pitman-Yor Process Mixture
• residual neural network
• SUN397

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →