結(jié)合監(jiān)督信息的狄利克雷混合模型及其應(yīng)用.pdf

1、機(jī)器學(xué)習(xí)是人工智能領(lǐng)域重要的議題之一，廣泛的應(yīng)用于視頻、圖像、生物信息處理、系統(tǒng)控制等領(lǐng)域。在傳統(tǒng)的機(jī)器學(xué)習(xí)中，各類(lèi)機(jī)器學(xué)習(xí)模型依據(jù)學(xué)習(xí)過(guò)程的不同被分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩種相異的數(shù)據(jù)處理方法。在監(jiān)督學(xué)習(xí)中，系統(tǒng)根據(jù)大量的標(biāo)簽樣本學(xué)習(xí)得到具有優(yōu)良模型泛化能力的分類(lèi)器，然后利用該分類(lèi)器對(duì)未知樣本進(jìn)行類(lèi)別標(biāo)記；非監(jiān)督學(xué)習(xí)則根據(jù)模型假設(shè)對(duì)無(wú)標(biāo)簽樣本進(jìn)行非標(biāo)簽聚類(lèi)，從而得到樣本間的相互關(guān)系。比較兩類(lèi)方法可以發(fā)現(xiàn)，監(jiān)督學(xué)習(xí)方法雖然分類(lèi)準(zhǔn)確，但數(shù)

2、據(jù)標(biāo)簽的標(biāo)定耗時(shí)耗力，而非監(jiān)督方法雖然具有省時(shí)省力等多方面的優(yōu)點(diǎn)，但由于指導(dǎo)信息的缺失，導(dǎo)致其對(duì)數(shù)據(jù)的歸類(lèi)效果不理想。為此，如何將監(jiān)督方法與非監(jiān)督方法結(jié)合，設(shè)計(jì)一種半監(jiān)督聚類(lèi)方法,從而結(jié)合非監(jiān)督方法的各自優(yōu)點(diǎn)已成為當(dāng)下研究的重點(diǎn)問(wèn)題之一。
　　為解決上述問(wèn)題，本文首先引入狄利克雷混合模型（Dirichlet Process Mixture Model，DPMM）。該模型是一種在數(shù)據(jù)分析中具有良好類(lèi)別估算和概率表達(dá)能力的聚類(lèi)模型，具

3、有建模能力強(qiáng)大、模型可擴(kuò)展性好等突出優(yōu)點(diǎn)，因此被廣泛的應(yīng)用處理各類(lèi)復(fù)雜的概率建模問(wèn)題。拋開(kāi)這類(lèi)模型優(yōu)勢(shì)，DPMM聚類(lèi)結(jié)果受數(shù)據(jù)復(fù)雜度的影響較大，聚類(lèi)能力容易隨聚類(lèi)樣本復(fù)雜度的增加而下降。針對(duì)這類(lèi)問(wèn)題，本文首先結(jié)合少量監(jiān)督信息，提出一種結(jié)合監(jiān)督學(xué)習(xí)的半監(jiān)督狄利克雷混合模型（Semi-supervised Dirichlet Process Mixture Model,SDPMM），然后針對(duì)此框架推導(dǎo)了估算后驗(yàn)概率的變分推理算法。最后為驗(yàn)證