A tutorial on variational methods for machine learning

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Cinelli, Lucas Pinheiro
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Universidade Federal do Rio de Janeiro
Brasil
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Programa de Pós-Graduação em Engenharia Elétrica
UFRJ
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Modelos generativos
Codificador automático variacional
Redes neurais Bayesianas
Inferência aproximada
Inferência variacional
Propagação da expectativa
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Link de acesso: http://hdl.handle.net/11422/20697
Resumo: In this work, we present a tutorial on deep generative models, specically Varia- tional Autoencoders (VAE) and deep Bayesian Neural Networks (BNN). In spite of being apparently distinct, both themes are intimately connected through the pro- babilistic view of machine leaning. Therefore, we describe approximate inference methods since exact approaches are only adequate in very limited conditions in which the computation time remains feasible. We discuss modern extensions to such methods, capable of adequately sca- ling to models with millions of parameters and equally large data sets. Furthermore, we illustrate their relevance in each chapter through applications using (deep) neural networks.

Registros relacionados