贝叶斯深度学习 一个统一深度学习和概率图模型的框架 (贝叶斯详解)

文章编号:43373 资讯动态 2024-12-09 贝叶斯 深度学习 概率图模型
贝叶斯深度学习:一个统一深度学习和概率图模型的框架

人工智能(AI)的进展显示,通过构建多层的深度网络,利用大量数据进行学习,可以获得性能的显著提升。但这些进展基本上是发生在感知任务中,对于认知任务,需要扩展传统的AI范式。

4月9日,罗格斯大学计算机科学系助理教授王灏,在AI TIME青年科学家——AI 2000学者专场论坛上,分享了一种基于贝叶斯的概率框架,能够统一深度学习和概率图模型,以及统一AI感知和推理任务。

据介绍,框架有两个模块:深度模块,用概率型的深度模型表示;图模块,即概率图模型。深度模块处理高维信号,图模块处理偏推断的任务。

以下是演讲全文,AI科技评论做了不改变原意的整理:

今天和大家分享关于贝叶斯深度学习的工作,主题是我们一直研究的概率框架,希望用它统一深度学习和概率图模型,以及统一AI感知和推理任务。

众所周知,深度学习加持下的AI技术已经拥有了一定的视觉能力,能够识别物体;阅读能力,能够文本理解;听觉能力,能够语音识别。但还欠缺一些思考能力。

“思考”对应推理推断任务,具体指它能够处理复杂的关系,包括条件概率关系或者因果关系。

深度学习适合处理感知任务,但“思考”涉及到高层次的智能,例如决策数据分析、逻辑推理。概率图由于能非常自然的表示变量之间的复杂关系,所以处理推理任务具有优势。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

如上图,概览图示例。任务是:想通过目前草地上喷头开或关,以及外面的天气来推断外面的草地被打湿的概率是多少,也可以通过草地被打湿反推天气如何。概率图的缺点是无法高效处理高维数据。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

总结一下,深度学习比较擅长感知类的任务,不擅长推理、推断任务,概率图模型擅长推理任务,但不擅长感知任务。

很不幸,现实生活中这两类任务一般是同时出现、相互交互。因此,我们希望能够把深度学习的概率图统一成单一的框架,希望达到两全其美。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

我们提出的框架是贝叶斯深度学习。有两个模块:深度模块,用概率型的深度模型表示;图模块,即概率图模型。深度模块处理高维信号,图模块处理偏推断的任务。

值得一提的是,图模块本质是概率型的模型,因此为了保证能够融合,需要深度模型也是概率型。模型的训练可以用经典算法,例如MAP、MCMC、VI。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

给具体的例子,在医疗诊断领域,深度模块可以想象成是医生在看病人的医疗图像,图模块就是医生根据图像,在大脑中判断、推理病症。从医生的角度, 医疗图像中的生理信号是推理的基础,优秀的能力能够加深他对医疗图像的理解。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

引申一下,电影推荐系统里,可以把深度模块想象成是对电影的视频情节、演员等内容的理解,而图模块需要对用户喜好、电影偏爱之间的相似性进行建模。进一步,视频内容理解和“喜好”建模也是相辅相成的。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

具体到模型细节,我们将概率图模型的变量分为三类:深度变量,属于深度模块,假设产生于比较简单的概率分布;图变量,属于图模块,和深度模块没有直接相连,假设它来自于相对比较复杂的分布;枢纽变量,属于深度模块和图模块中相互联系的部分。

下面介绍该框架是如何在实际应用中效果。

推荐系统基本假设是:已知用户对某些电影的喜好,然后希望预测用户对其他电影的喜好。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

可以将用户对电影的喜爱写成评分矩阵(Rating Matrix),该矩阵非常稀疏,用来直接建模,得到的准确性非常低。在推荐系统中,我们会依赖更多的信息,例如电影情节、电影的导演、演员信息进行辅助建模。

为了对内容信息进行建模,并进行有效提纯,有三种方式可供选择:手动建立特征,深度学习全自动建立特征、采用深度学习自适应建立特征。显然,自适应的方式能够达到最好的效果。

不幸的是,深度学习固有的独立同分布假设,对于推荐系统是致命的。因为假设用户和用户之间没有任何的关联的,显然是错误的。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

为了解决上述困难,我们推出协同深度学习,能够将“独立”推广到“非独立”。该模型有两个挑战:

1.如何找到有效的概率型的深度模型作为深度模块。希望该模型能够和图模块兼容,且和非概率型模块的效果相同。

2.如何把深度模块连接到主模块里,从而进行有效建模。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

来看第一个挑战。自编码器是很简单的深度学习模型,一般会被用在非监督的情况下提取特征,中间层的输出会被作为文本的表示。值得一提的是,中间层的表示它是确定性的,它不是概率型的,和图模块不兼容,无法工作。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

我们提出概率型的自编码器,区别在于将输出由“确定的向量”变换成“高斯分布”。概率型的自编码器可以退化成标准自编码器,因此后者是前者的一个特例。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

如何将深度模块与图模块相联系?先从高斯分布中提出物品j的隐向量:

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

然后从高斯分布中,提取出用户i的隐向量:

贝叶斯深度学习:一个统一深度学习和概率图模型的框架 基于这两个隐向量们就可以从另外高斯分布采样出用户i对物品j的分布,高斯分布的均值是两个隐向量的内积。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

上图蓝框表示图模块。定义了物品、用户、评分等等之间的条件概率关系。一旦有了条件概率关系,就能通过评分反推用户、物品的隐向量,可以根据“内积”预测未知的背景。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

上图是整个模型的图解,其中λ是控制高斯分布方差的超参数。为了评测模型效果,我们用了三个数据集:citeuLike-a、citeulike-t、Netflix。对于citeulike是用了每篇论文的标题和摘要,Netflix是用电影情节介绍作为内容信息。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

实验结果如下图所示,Recall@M指标表示,我们的方法大幅度超越基准模型。在评分矩阵更加稀疏的时候,我们模型性能提高幅度甚至可以更大。原因在于,矩阵越稀疏,模型会更加依赖内容信息,以及从内容提取出来的表示。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

推荐系统性能提升能够提升企业利润,根据麦肯锡咨询公司的调查,亚马逊公司中35%的营业额是由推荐系统带来的。这意味着推荐系统每提升1%个点,都会有6.2亿美金的营业额提升。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

小结一下,到目前为止,我们提出了概率型的深度模型作为贝叶斯深度学习框架的深度模块,非概率型的深度模型其实是概率型深度模型的特例。针对深度的推荐系统提出层级贝叶斯模型,实验表明该系统可以大幅度推荐系统的效率。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

给定一个图,我们知道边,并了解节点的内容。此图如果是社交网络,其实就是表示着用户之间的朋友关系,节点内容就是用户贴在社交平台上的图片或者文本。这种图关系,也可以表示论文的标题、摘要、引用等等联系。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

我们的任务是希望模型能够学习到节点的表达,即能够捕获内容信息,又能够捕获图的信息。

解决方案是基于贝叶斯深度学习框架,设计关系型的概率自编码器。深度模块专门负责处理每个节点的内容,毕竟深度学习能够在处理高维信息是有优势的;图模块处理节点节点之间的关系,例如引用网络以及知识图谱复杂的关系。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

在医疗领域,我们关注医疗监测。任务场景是:家里有小型雷达,会发射信号,设计的模型希望能够根据从病人身上反射的信号,发现病人是否按时用药、用药的次序是否正确。问题在于:用药的步骤非常复杂,需要理清顺序。

基于贝叶斯深度学习概率框架方法,用深度模块处理非常高维的信号信息,用图模块对在医疗专有知识进行建模。

值得一提的是,即使对于不同应用的同一模型,里面的参数具有不同的学学习方式,例如可以用MAP、贝叶斯方法直接学习参数分布。

对于深度的神经网络来说,一旦有了参数分布,可以做很多事情,例如可以对预测进行不确定性的估计。另外,如果能够拿到参数分布,即使数据不足,也能获得非常鲁棒的预测。同时,模型也会更加强大,毕竟贝叶斯模型等价于无数个模型的采样。

下面给出轻量级的贝叶斯的学习方法,可以用在任何的深度学习的模型或者任何的深度神经网络上面。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架
首先明确目标:方法足够高效,可通过后向传播进行学习,并“抛弃”采样过程,同时模型能够符合直觉。

我们的关键思路是:把神经网络的神经元以及参数,看成分布,而不是简单的在高维空间的点或者是向量。允许神经网络在学习的过程中进行前向传播、后向传播。因为分布是用自然参数表示,该方法命名为NPN(natural-parameter networks)。


• Collaborative deep learning for recommender systems. Hao Wang, Naiyan Wang, Dit-Yan Yeung. Twenty-First ACM SIGKDD Conference on



贝叶斯深度学习:一个统一深度学习和概率图模型的框架

原创文章,未经授权禁止转载。详情见 转载须知 。

贝叶斯深度学习:一个统一深度学习和概率图模型的框架


本文地址: https://www.gpxz.com/article/35d55fceea12eaa78092.html
全局中部横幅
全局中部横幅
成都市长峰钢铁集团有限公司

公司采用短流程冶金生产工艺,现有40吨电弧炉4座,全连轧棒材轧制生产线两条,全高速线材轧制生产线一条,具有年炼钢160万吨、轧材160万吨。

钉钉

Teambition是阿里巴巴旗下团队协作工具,以项目和任务的可视化管理来支撑企业团队协作,适合产品、研发、设计、市场、运营、销售、HR等各类团队,让企业协同化繁为简,轻松愉悦。

星系探索h5游戏在线玩

手机星系探索在线玩,星系探索html5游戏是一款简单好玩的消除游戏,星系的奥秘一直是神秘且变化莫测的,我们喜欢未知的世界,也喜欢在未知领域中发现新世界,进入星系世界后让我们一起探索宇宙的奥秘。;您可以免费在线玩。

门道云官网

门道云是一家以3D数字技术、CAD技术研发为主的高科技互联网公司,产品有门窗云设计、全屋/别墅云设计、阳光房云设计、门道云APP、门道CAD、门道云制造、立窗ERP等产品,为家装客户提供“品牌推广、终端引流、云端设计、场景销售、柔性生产、设备对接、安装服务”全流程闭环。

微帮同城平台

微帮推广平台,微帮同城便民信息发布推广,帮助你快速查询推广便民信息,包含微帮同城求职招聘、房屋租售、二手交易、本地服务、生意转让、优惠信息、招商加盟、顺风车、农林牧渔、同城吃喝玩乐等当地便民信息,微帮推广平台服务全国。

德州骏日汽车制造有限公司

德州骏日汽车制造有限公司始创于2016年,位于山东省德州市武城县工业园区,厂房面积14000平方米,现有员工195人,主要从事非公路用电动车的开发及生产,现有产品电动观光车、高尔夫车、电动巡逻车、电动扫地车、电动洗地机、高压冲洗车、洒水车、垃圾清运车等产品,已销往世界各地。全国咨询电话:15315810177/13792239799

中创智造(辽宁)轨道交通有限公司官网

中创智造(辽宁)轨道交通有限公司主要生产轨道维修机械如捣固镐|钢轨钻孔机|钢轨锯轨机|钢轨打磨机|螺栓扳手|起拨道器|轨缝调整器|钢轨拉伸机|测量仪器|铁路工具等系列铁路工务养护设备。品牌为中创智达,该网站记录着关于铁路设备的技术参数及使用流程,具体详情欢迎咨询。

远东电缆有限公司

 远东电缆有限公司创建于1985年,是远东控股集团旗下上市公司远东智慧能源股份有限公司的全资子公司,远东控股集团现为中国企业500强、中国民营企业500强及中国最佳雇主企业,品牌价值高达1169.37亿元,拥有8000余员工。

首页

苏州市东吴厨房设备有限公司

勿忧(浙江)科技有限公司

AI实景无人直播系统,不请主播,不请达人,最低一部手机直播,降低商家直播带货成本,支持抖音、视频号、快手、美团、平多多、京东、Tiktok

全筑股份

上海全筑控股集团股份有限公司于1998年创立(股票代码:603030)。坚持以科技创新为核心竞争力,拥有市场、设计、建造、生产、运营、服务于一体的整体解决方案。旗下构筑了澳锘设计集团、全筑建造、全筑家居、全筑智慧科技及海外事业群,以全产业链协同共进服务城市建设全领域。

免费发布信息

快点八是专业、真实的分类信息类门户网站,的个人或企业均可在此免费发布各行各业的分类信息.


全局底部横幅