PosteriorRegularizationforStructuredLatentVariableModels阅读笔记 - CSDN文库

需积分: 50 193 浏览量更新于2023-03-16 评论收藏 283KB DOCX 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

数据分带标签和不带标签的部分，分别表示为 

X

L

, Y

L

，和

X , Y

。根据生成模型，目标

函数可以写成：

等式右边第一项是带标记数据的联合概率,第二项是不带标签的数据部分的生成

概率。第三项是

θ

的先验概率。优化目标是使 L 最大化







!

"""总而言之 ! 代表一个空间，空间里面的分布时满

足限制特征条件的。当加上一定的松弛性后，变为如下：

在 PR 里，模型的对数似然要减去 KL-divergence between the desired

distribution space Q and the model posteriors, 所以模型的优化目标函

数如下：

这里 KL 部分应该就是后验正则项。因为 KL 非负，最大化 J 就相当于最小化 KL。

 #  "$    %  &          

"

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余4页未读，立即下载

评论0

yiqingyang2012

粉丝: 78
资源: 2

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈