The Supervised IBP: Neighbourhood Preserving Infinite Latent Feature Models
The Supervised IBP: Neighbourhood Preserving Infinite Latent Feature Models
复制标题
有监督的 IBP：邻域保留无限潜在特征模型
DOI：
--
复制
发表时间：
2013
期刊：
影响因子：
--
通讯作者：
Zoubin Ghahramani
中科院分区：
文献类型：
--
作者：
Novi Quadrianto;V. Sharmanska;David A. Knowles;Zoubin Ghahramani
我们提出了一种概率模型，从观测数据推断汉明空间中的监督潜在变量。我们的模型允许同时推断二元潜在变量的数量及其值。潜在变量保留了数据的邻域结构，即同一语义概念中的对象具有相似的潜在值，而不同概念中的对象具有不同的潜在值。我们根据一个直观的原则来制定监督无限潜变量问题：如果对象属于同一类型，则将它们拉在一起，如果不同，则将它们推开。然后，我们将这一原则与灵活的印度自助餐流程先于潜在变量相结合。我们表明，推断的监督潜在变量可以直接用于执行最近邻搜索以达到检索的目的。我们介绍了动态扩展哈希码的新应用，并展示了如何有效地将哈希码的结构与保留无限潜在特征空间的邻域的不断增长的结构结合起来。
We propose a probabilistic model to infer supervised latent variables in the Hamming space from observed data. Our model allows simultaneous inference of the number of binary latent variables, and their values. The latent variables preserve neighbourhood structure of the data in a sense that objects in the same semantic concept have similar latent values, and objects in different concepts have dissimilar latent values. We formulate the supervised infinite latent variable problem based on an intuitive principle of pulling objects together if they are of the same type, and pushing them apart if they are not. We then combine this principle with a flexible Indian Buffet Process prior on the latent variables. We show that the inferred supervised latent variables can be directly used to perform a nearest neighbour search for the purpose of retrieval. We introduce a new application of dynamically extending hash codes, and show how to effectively couple the structure of the hash codes with continuously growing structure of the neighbourhood preserving infinite latent feature space.
DOI：
--
发表时间：
2010-12
期刊：
--
影响因子：
--
作者：
Sinead Williamson;Peter Orbanz;Zoubin Ghahramani
通讯作者：
Sinead Williamson;Peter Orbanz;Zoubin Ghahramani