知识卡片
潜变量依赖学习与近似推断
可见变量 v 的各元素往往高度依赖,深度学习常用引入潜变量 h 来建模:vi 与 vj 的间接依赖可由 vi—h、h—vj 的直接依赖表达,从而避免让每个可见变量拥有大量父结点或让马尔可夫网络出现巨大的团。这条路线的另一好处是绕开结构学习的离散搜索与多轮训练——结构学习靠贪婪增删边并用打分(精度奖励减复杂度惩罚)选结构,而潜变量用固定结构加参数学习就能得到边缘分布 p(v) 的正确结构,同时 h 还充当 v 的替代表示,可作分类特征。但推断仍是瓶颈:一般图模型的边缘概率计算是 #P-hard,深度模型即使结构化也难以高效推断,实践中改用变分推断,用 q(h|v) 逼近真实 p(h|v)。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第16章 深度学习中的结构化概率模型 · 查看原书依据
不幸的是,对于大多数有趣的深度模型来说,即使我们使用结构化图模型来简化这些推断问题,它们仍然是难以处理的。图结构允许我们用合理数量的参数来表示复杂的高维分布,但是用于深度学习的图并不满足这样的条件,从而难以实现高效地推断。
参考来源
- 位置:《深度学习》第16章 深度学习中的结构化概率模型(源文件:extracted/深度学习/_epub-src/text/part0006_split_001.html)
- 结论依据:原文说明潜变量避免高阶相互作用的参数爆炸并绕开结构搜索,同时指出推断是 #P-hard、深度学习转向变分近似。
- 原始内容:不幸的是,对于大多数有趣的深度模型来说,即使我们使用结构化图模型来简化这些推断问题,它们仍然是难以处理的。图结构允许我们用合理数量的参数来表示复杂的高维分布,但是用于深度学习的图并不满足这样的条件,从而难以实现高效地推断。