• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>2017 International Conference on Security, Pattern Analysis, and Cybernetics >Supervised Gaussian process latent variable model based on Gaussian mixture model
【24h】

Supervised Gaussian process latent variable model based on Gaussian mixture model

机译：基于高斯混合模型的监督高斯过程潜变量模型

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper, we propose a supervised Gaussian Process Latent Variable Model(GPLVM) based on Gaussian mixture model(GMM). In this model, we assume that latent variables satisfy the Gaussian mixture distribution, and the conditional distribution of latent variable given the label of the corresponding sample satisfy a Gaussian distribution. In the training process, the parameters for nonlinear dimensionality reduction are learned with the training sample and data labels. Meanwhile, the mean and variance for each class are learned. Therefore, it is tractable to evaluate the probability of a sample belongs to a particular class. The effectiveness of our model is demonstrated by comparing with some representative dimensionality reduction method. We evaluate the effectivebess of our method on UCI data set. The experiment results show that the proposed method is capable of distinguish data from different classes in low dimensional space, and it have good performance for classification.
机译：本文提出了一种基于高斯混合模型（GMM）的监督式高斯过程潜在变量模型（GPLVM）。在该模型中，我们假设潜变量满足高斯混合分布，并且给定相应样本标签的潜变量的条件分布满足高斯分布。在训练过程中，通过训练样本和数据标签来学习用于非线性降维的参数。同时，学习每个类别的均值和方差。因此，评估样本属于特定类别的概率很容易。通过与一些代表性的降维方法进行比较，证明了我们模型的有效性。我们评估了我们的方法在UCI数据集上的有效性。实验结果表明，该方法能够在低维空间中区分不同类别的数据，具有良好的分类性能。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号