generative model 与 discriminative model 进一步理解

最新推荐文章于 2022-11-13 14:37:36 发布
最新推荐文章于 2022-11-13 14:37:36 发布
阅读量1.4k 收藏
点赞数
分类专栏： LDA Topic Model stats
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xyqzki/article/details/12589279
版权
Topic Model 同时被 3 个专栏收录
26 篇文章 1 订阅
订阅专栏
LDA
18 篇文章 0 订阅
订阅专栏
stats
13 篇文章 0 订阅
订阅专栏

g model 就是 意淫p(x,y)的产生过程，这个过程可以任意复杂，只要能够inference出来。

d model 就是 有些observation如果用 generative model来意淫出来的话，会导致model过于复杂，inference是个问题，所以我们可以alleviate这些observation，将其视作已经生成好了的，看做已知的东西，即graphical model 中的 shaded node。然后在这个condition下，再去意淫剩下的observation的产生过程！


所以 我觉得d model是g model的一种alleviation

xyqzki
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
判别模型(Discriminative model)和生成模型(Generative model)
Fishmemory的博客
06-19 2万+
说明生成算法和判别算法之间的区别。判别算法主要包括：SVM，逻辑回归等；生成算法主要包括：朴素贝叶斯，HMM等
生成模型（Generative Model）Vs 判别模型（Discriminative Model）
wbyang.cn
12-04 3751
      看HMM的是很看到了生成模型，于是提出了一个问题，什么是生成模型？查了一下资料，总算大致了解了，把内容贴在这里，以备翻阅。       判别模型（Discriminative Model），又可以称为条件模型，或条件概率模型。估计的是条件概率分布(conditional distribution)，p(class|context)。利用正负例和分类标签，主要关心判别模型的边缘分布。其目标函数直接对应于分类准确率。       主要特点：寻找不同类别之间的最优分类面，反映的是异类数据之间的差异
机器学习笔记9_Generative Model(GAN)
爱技术的小白
03-22 728
本文是李宏毅机器学习的笔记，这是第九节，介绍了GAN网络。 文章目录1. GAN概述GeneratorDiscriminator流程2. GAN原理3. Tips for GAN4. Conditional Generation5. Learning from Unpaired Data6. Evaluation of Generation 1. GAN概述 Generator Generator可以利用一个简单的分布数据生成一个复杂的分布数据。 为什么不做成输入和输出相互对应的方式，而要将简单的分布当作
generative model and discriminative model
xiaomiguan的博客
11-30 424
判别模型 和 生成模型 【摘要】 - 生成模型：无穷样本==》概率密度模型 = 产生模型==》预测 - 判别模型：有限样本==》判别函数 = 预测模型==》预测【简介】 简单的说，假设o是观察值，q是模型。 如果对P(o|q)建模，就是Generative模型。其基本思想是首先建立样本的概率密度模型，再利用模型进行推理预测。要求已知样本无穷或尽可能的大限制。 这种方法一般
生成模型（Generative Model）
大黑山小马哥的博客
02-23 7097
1. 基本概念 目标是学习样本点的分布。学到后可以生成数据，故称为生成模型。 2. 实现步骤 （1） 假设样本点的分布（例如高斯分布） （2） 通过样本点计算均值和方差 通常使用联合分布以减少参数的个数。 共用协方差矩阵后，边界形状发生变化。 （3）分类 P（A|B），读作“在B的条件下A的概率”。 ...
Generative Models(生成模型)简介
热门推荐
Sundrops的专栏
04-30 1万+
著名物理学家费曼说过: What I cannot create, I do not understand. 所以我们要真正做到了解图像影音等，就必须要能创造它们。 Pixel RNN 收集一大堆图片，然后利用这些图片开始训练这个图片生成模型，根据前面的像素预测接下来的像素，训练结束后随便给一个(或者若干)初始像素就能生成一幅图片。PixelRNN不仅work，而且在各种生成方法中...
MACHINE LEARNING: Discriminative and Generative_Tony Jebara_2004
02-02
MACHINE LEARNING:Discriminative and Generative Tony Jebara Columbia University, U.S.A. -----The objective of this monograph is to unite two powerful yet different paradigms in machine learning: ...
Generative Adversarial Nets.pdf
04-03
We propose a new framework for estimating generative models via an adversarial process, in which we simultaneously train two models: a generative model G that captures the data distribution, and a ...
生成对抗网络创始者论文Generative Adversarial Nets
11-06
原文摘要：We propose a new framework for estimating generative models via an adversar ial process, in which we simultaneously train two models: a generative model G that captures the data distribution...
Jstacs
03-22
现有的几个库将生物学序列的表示与精确和近似模式匹配以及比对算法结合在一起。 我们介绍Jstacs，这是一个开放源代码Java库，它专注于生物学序列的统计分析。 Jstacs包含序列数据的有效表示形式，并提供了许多统计...
【2】A fast learning algorithm for deep belief nets.pdf
08-26
hidden layers forms a very good generative model of the joint distribution of handwritten digit images and their labels. This generative model gives better digit classification than the best ...
2019-ICCVlearning a Generative Model from a Single Natural Image（原文+代码）
11-02
我们介绍了SinGAN，一个可以从单一自然图像中学习的无条件生成模型。我们的模型经过训练，能够捕捉图像内部patch的分布，然后能够生成与图像具有相同视觉内容的高质量、多样化的样本。SinGAN包含一个完全卷积的GANs金字塔，每个GANs负责学习图像中不同尺度上的patch分布。这允许生成具有显著可变性的任意大小和高宽比的新样本，同时保持训练图像的整体结构和精细纹理。与以往的单一图像GAN方案相比，我们的方法不仅限于纹理图像，而且没有条件(即从噪声中生成样本)。用户研究证实，生成的样本通常被混淆为真实的即时消息。我们说明了SinGAN在图像处理任务中的广泛应用。 ———————————————— 版权声明：本文为CSDN博主「Asure_AI」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/Asure_AI/article/details/102869213
【补充知识】生成模型（generative model）和判别模型（discriminative model）、贝叶斯学派和概率学派
weixin_55703970的博客
11-13 694
看到过好几次“生成模型”这个词了，一直不太懂，这次买了李航老师的《统计学习方法》看一下。
机器学习-白板推导系列(三十)-生成模型(Generative Model)
Paul_Huang的专栏
07-06 4562
机器学习-白板推导系列(三十)-生成模型(Generative Model) 30.1 生成模型的定义 前面所详细描述的模型以浅层的机器学习为主。本章将承上启下引出后面深度机器学习的部分。本小节，主要讲述的是什么是生成模型，它是不是只是生成样本，生成数据？它的任务是什么？精准的定义是什么？ 这个问题实际上在之前的章节中有过详细的介绍。这里更进一步总结。之前讲过的简单的生成模型，包括： 高斯混合分布（GMM），GMM的主要任务是聚类，属于非监督学习； 而监督学习中的生成模型，最简单的有朴素贝叶斯模型，主要任
机器学习与深度学习系列连载： 第一部分 机器学习（五） 生成概率模型（Generative Model）
Doctor Wu的博客
09-14 1万+
生成概率模型（Generative Model） 我们还是从分类问题说起： 当我们把问题问题看做是一个回归问题， 分类是class 1 的时候结果是1 分类为class 2的时候结果是-1； 测试的时候，结果接近1的是class1 ，结果接近-1的是class2 问题解决了！ 但是这只是看起来很美，但是如果结果远远大于1的时候，他的分类应该是class1还是class2，我们为了...
PRML学习总结（8）——Graphical Models
Ghy817920的博客
07-02 619
PRML学习总结（8）——Graphical Models8.1 Bayesian Networks8.1.1 Example: Polynomial regression8.1.2 Generative models Models) 8.1 Bayesian Networks 为了理解有向图对于描述概率分布的作⽤，⾸先考虑三个变量a; b; c上的⼀个任意的联合分布p(a,b,c)p(a, b,...
[Machine Learning] 生成模型 & 判别模型（Generative & Discriminative Model）
Oh_MyBug的博客
02-16 514
生成模型 概率生成模型，简称生成模型（Generative Model），是概率统计和机器学习中的一类重要模型，指一系列用于随即生成可观测数据的模型。 典型模型 高斯混合模型（Gaussian Mixed Model） 隐马尔科夫模型（Hidden Markov Model） 朴素贝叶斯分类器（Naive Bayes Classifier） 判别模型 在机器学习领域，判别模型是一种对未知数据y...
深度学习（三——生成模型 Generative Model）
Seven
11-07 1576
生成模型是指：一系列用于随机生成可观测数据的模型。包括：自动编码器（Autoencoder）、变分自动编码器（Variational AutoEncoder, VAE）. 1.自动编码器 初始自动编码器作为一种数据压缩方法，特点：只能压缩与训练数据相似的数据；压缩后数据有损（降维导致的信息丢失）； 自动编码器应用：数据去噪、可视化降维； 结构：编码器（Encoder）+ 解码器（Decod...
机器学习19：Generative Model
qqqinrui的博客
04-17 1094
讲解三种Generative Model：PixelRNN、Variation Auto-encoder、Generative Adversavial Network 一、PixelRNN 利用前面已知的像素和预测的像素逐一对后面的像素进行预测。如图所示，输入是变化的，第一次使用一个像素预测后面的像素，随后使用前面两个像素预测再后面的像素。。。 以下是声信号的预测，RNN逐一根据前面的n...
score based generative model
最新发布
10-04
分数基于生成模型（score based generative model）是一种用于生成数据的概率模型。与传统的生成模型不同，分数基于生成模型通过直接对数据进行评分，而不是明确地定义数据的概率分布。 分数基于生成模型的核心思想是利用一个评分函数来评估样本数据的质量。这个评分函数可以根据先验知识或经验来设计，它的目标是为了使真实数据得分高，而人工生成的或异常的数据得分低。 在实践中，分数基于生成模型可以用于许多任务。例如，在图像生成中，我们可以使用一个神经网络模型来评估一张图像的真实性。该模型通过学习真实图像的特征，并掌握它们的分数分布。当我们想要生成一张新的图像时，我们可以利用这个神经网络模型来综合评估生成的图像。 分数基于生成模型相对于传统的生成模型有一些优点。首先，分数基于生成模型可以直接学习数据的质量，而不需要显式地定义数据的概率分布。其次，评分函数的设计更加具有灵活性，我们可以根据具体任务的需求来设计评分函数。这使得分数基于生成模型可以应用于各种不同的生成任务，并取得更好的效果。 总结来说，分数基于生成模型是一种用于生成数据的概率模型，通过评分函数来评估样本数据的质量。它可以应用于图像生成、文本生成等多种任务，并具有较高的灵活性和效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值