[00514118]非高斯概率模型的高效变分近似推理方法研究
联系人：柯安星
所在地：福建厦门市
- 服务承诺
- 产权明晰
-
资料保密
对所交付的所有资料进行保密
- 如实描述
登录后向技术服务商咨询
发布技术需求
服务免费，交易还可领红包哦
技术详细介绍
该项目主要研究内容如下：
1。在完善扩展变分法方面：针对单变量下界近似方法的局限性，提出了多变量下界近似的思路，给出了算法收敛的充要条件并给予证明，完成了扩展变分法完善过程中的重要一环。设计并实现了针对有界数据（bounded-support data）的非负矩阵分解（NMF：Nonnegative Matrix Factorization）模型，放弃了 NMF 在数据域做矩阵分解的传统思路，创新性地提出了在参数域进行共轭非负矩阵分解的新思路，并推导出可用解析表达式描述的参数后验分布估计算法。
2。在非高斯中性矢量变量研究方面：针对非高斯中性矢量变量中的关键科学问题开展了系列深入研究，利用其统计特性，设计符合数据分布的去相关算法，有效的提高了非高斯中性矢量变量在去相关过程中的计算效率以及实际应用中的性能。设计并实现了针对脑电波信号的高效特征选择方法，和目前最好的方法相比，分类性能有了显著的提高，分类器的鲁棒性也有了很大的提升。
3。在实际应用中推广方面：将贝塔混合模型、狄利克雷混合模型等非高斯概率模型应用在语音编码、语音识别、图像分割、图像恢复、自由视角深度图增强等领域，取得了与传统经典模型相比更好的性能。非负矩阵分解在推荐算法研究中起着重要的作用。将提出的针对有界数据的非负矩阵算法成功地应用在个性化推荐系统的研究中。在著名的 Netflix 数据集上的运行结果表明，此方法比通常采用的矩阵分解方法，如 PMF（Probabilistic Matrix Factorization）， Sparse PCA （Sparse Principal Component Analysis）等，有着更高的预测精度。还将提出的贝塔混合模型与非负矩阵分解模型分别应用到了生物信息学领域中的热点问题 DNA 甲基化分析中。研究结果表明，非高斯概率模型可以更好的描述 DNA 甲基化数据的有界特性，在数据降维，特征提取，样本分类等方面体现出了其他方法所不具有的优势。在文本挖掘中结合文本的非高斯分布特性，设计了结构化的分析方法。在 DNA 甲基化分析中， 采用非高斯深度神经网络构建特征提取模型，取得了较好的聚类效果。
1。在完善扩展变分法方面：针对单变量下界近似方法的局限性，提出了多变量下界近似的思路，给出了算法收敛的充要条件并给予证明，完成了扩展变分法完善过程中的重要一环。设计并实现了针对有界数据（bounded-support data）的非负矩阵分解（NMF：Nonnegative Matrix Factorization）模型，放弃了 NMF 在数据域做矩阵分解的传统思路，创新性地提出了在参数域进行共轭非负矩阵分解的新思路，并推导出可用解析表达式描述的参数后验分布估计算法。
2。在非高斯中性矢量变量研究方面：针对非高斯中性矢量变量中的关键科学问题开展了系列深入研究，利用其统计特性，设计符合数据分布的去相关算法，有效的提高了非高斯中性矢量变量在去相关过程中的计算效率以及实际应用中的性能。设计并实现了针对脑电波信号的高效特征选择方法，和目前最好的方法相比，分类性能有了显著的提高，分类器的鲁棒性也有了很大的提升。
3。在实际应用中推广方面：将贝塔混合模型、狄利克雷混合模型等非高斯概率模型应用在语音编码、语音识别、图像分割、图像恢复、自由视角深度图增强等领域，取得了与传统经典模型相比更好的性能。非负矩阵分解在推荐算法研究中起着重要的作用。将提出的针对有界数据的非负矩阵算法成功地应用在个性化推荐系统的研究中。在著名的 Netflix 数据集上的运行结果表明，此方法比通常采用的矩阵分解方法，如 PMF（Probabilistic Matrix Factorization）， Sparse PCA （Sparse Principal Component Analysis）等，有着更高的预测精度。还将提出的贝塔混合模型与非负矩阵分解模型分别应用到了生物信息学领域中的热点问题 DNA 甲基化分析中。研究结果表明，非高斯概率模型可以更好的描述 DNA 甲基化数据的有界特性，在数据降维，特征提取，样本分类等方面体现出了其他方法所不具有的优势。在文本挖掘中结合文本的非高斯分布特性，设计了结构化的分析方法。在 DNA 甲基化分析中， 采用非高斯深度神经网络构建特征提取模型，取得了较好的聚类效果。