面向分类任务的鲁棒高斯过程隐变量模型.pdfVIP

第35卷摇第2期计算机技术与发展Vol.35摇No.2

2025年2月摇摇摇摇摇摇摇摇摇摇COMPUTERTECHNOLOGYANDDEVELOPMENT摇摇摇摇摇摇摇摇摇摇Feb.摇2025

面向分类任务的鲁棒高斯过程隐变量模型

李摇平,仝摇涛

(南京邮电大学计算机学院,江苏南京210023)

摘摇要:高斯过程隐变量模型(GPLVM)作为一种高效的贝叶斯无参降维模型,目前已广泛应用于多种应用中。然而传统

的GPLVM模型为完全无监督降维模型,导致其无法有效嵌入监督信息,从而极大地限制了其在监督学习任务中的性能。

同时GPLVM通常假设数据噪声服从高斯分布,因此无法建模离群点噪声,从而严重影响了模型的鲁棒性。针对上述问

题,该文提出一种面向分类任务的鲁棒高斯过程隐变量模型。该模型通过引入基于原型的分类器并基于此构建隐变量先

验分布,实现了有监督的数据降维和分类。同时,通过利用均值来建模数据的离群点噪声,进而实现了模型的鲁棒学习。

在多个数据集上的实验结果表明,该模型在嵌入监督信息同时,可对离群点噪声进行有效建模,从而获得更优的分类准

确率。

关键词:高斯过程;隐变量模型;监督学习;离群点噪声;鲁棒学习

中图分类号:TP311摇摇摇摇摇摇摇文献标识码:A摇摇摇摇摇摇文章编号:1673-629X(2025)02-0086-07

doi:10.20165/j.cnki.ISSN1673-629X.2024.0316

RobustGaussianProcessLatentVariableModelforClassificationTask

LIPing,TONGTao

(SchoolofComputerScience,NanjingUniversityofPostsandTelecommunications,Nanjing210023,China)

Abstract:Gaussianprocesslatentvariablemodel(GPLVM)asaneffectiveBayesiannon-parametricmodel,hasbeenwidelyusedin

manyapplications.However,sincetheconventionalGPLVMisafullyunsuperviseddimensionreductionmodel,itcannoteffectively

embedthesupervisedinformation,limitingtheapplicationscopeinthesupervisedlearningtasks.Moreover,GPLVMassumesthatthe

noiseofdatafollowsaGaussiandistribution,thusitcannotmodeltheoutliernoise,whichreducestherobustnessofthemodel.Toaddress

theseproblems,weproposearobustGaussianprocesslatentvariablemodelfortheclassificationtask.Thismodelutilizestheprototype

basedclassifierandconstructsapriordistributionoflatentvariables,implementingthesuperviseddimensionreductionandclassification.

Furthermore,itusesthemeanofGaus