您现在所在的位置:首页 >> 科学研究 >> 共享资源 >> 学术报告 >>
发布日期:2019年10月27日
学术报告-DEEP-GAUSSIAN-MIXTURE-MODEL

      近年来,尽管针对监督任务的深度模型取得了巨大成功,但机器学习和统计学界对深度聚类方 法的研究有限。在这次学术报告中,我们将讨论深度高斯混合聚类,一个由经典高斯混合模型推广而来 的强大的多层模型。
      基于深层神经网络的相似观点,我们将深层高斯混合模型(DGMM)定义为一个包含多层潜在变量 的网络。在每一层,变量遵循高斯分布的混合。因此,深层混合模型由一组嵌套混合的线性模型组成, 这些模型提供了一个能够以非常灵活的方式描述数据的非线性模型,是深度神经网络应用在无监督聚类 上的一次成功尝试。

附件-DEEP GAUSSIAN MIXTURE MODEL.pdf