NIPS2018深度学习(21)|亮点: 异常检测;强化学习(论文及代码)

[1] BRUNO: A Deep Recurrent Model for Exchangeable Data

Iryna Korshunova, Jonas Degrave, Ferenc Huszár, Yarin Gal, Arthur Gretton, Joni Dambre

Ghent University, Twitter, University of Oxford, UCL

https://papers.nips.cc/paper/7949-bruno-a-deep-recurrent-model-for-exchangeable-data.pdf

这篇文章提出一种新的模型结构，它可以使得深度学习工具在高维复杂样本中进行精确的贝叶斯推理。

本文的模型具有可交换性，在样本发生扰动时，样本的联合分布具有不变性，该特性是贝叶斯推理的核心。这种模型训练时不需要变分近似，新样本可以根据先前的样本作为条件来生成，生成新样本的代价跟它所依赖的条件集合的大小呈线性关系。

对序列多样性进行建模时，能够从短序列得到泛化性能，这类学习任务（如条件图像生成，少样本学习以及异常检测等）体现了本文结构的优势。

BRUNO模型示意图如下

不同方法效果对比如下

其中21对应的论文为

Matching networks forone shot learning， NIPS 2016

代码地址

https://github.com/AntreasAntoniou/MatchingNetworks

https://github.com/gitabcworld/MatchingNetworks

代码地址