第二十章 深度生成模型 Deep Generative Models
2020-4-17 深度学习笔记20 - 深度生成模型 1 (玻尔兹曼机,受限玻尔兹曼机RBM)
2020-4-18 深度学习笔记20 - 深度生成模型 2 (深度信念网络DBN,深度玻尔兹曼机DBM)
实值数据上的玻尔兹曼机Boltzmann Machines for Real-Valued Data
玻尔兹曼机最初是为二值数据而开发的,但是许多应用,例如图像和音频建模似乎需要表示实值上概率分布的能力。
在本节中,我们介绍概率密度定义在实值数据上的玻尔兹曼机。
1.Gaussian-Bernoulli RBM 高斯伯努利RBM
在Gaussian-Bernoulli RBM上定义能量函数的一种方式:
E ( v , h ) = 1 2 v ⊤ ( β ⊙ v ) − ( v ⊙ β ) ⊤ W h − b ⊤ h E(v,h)=\frac12v^⊤(β⊙v)−(v⊙β)^⊤Wh−b^⊤h E(v,h)=21v⊤(β⊙v)−(v⊙β)⊤Wh−b⊤h
我们还可以添加额外的项或者通过方差而不是精度参数化能量。
2.条件协方差的无向模型 Undirected Models of Conditional Covariance
高斯RBM感应偏置不能很好地适合某些类型的实值数据中存在的统计变化,特别是自然图像。 由于高斯RBM仅对给定隐藏单元的输入条件均值建模,所以它不能捕获条件协方差信息。
对此提出的替代模型,设法更好地考虑实值数据的协方差。 这些模型包括
- 均值和协方差RBM,mcRBM
- 学生 t t t分布均值乘积模型
- 尖峰和平板RBM
2-1.均值和协方差RBM,mcRBM Mean and Covariance RBM
mcRBM使用隐藏单元独立地编码所有可观察单元的条件均值和协方差。
在二值均值的单元 h ( m ) h^{(m)} h(m)和二值协方差单元 h ( c ) h^{(c)} h(c)的情况下,mcRBM模型被定义为 两个能量函数的组合:
E m c ( x , h ( m ) , h ( c ) ) = E m ( x , h ( m ) ) + E c ( x , h ( c ) ) E_{mc}(x,h^{(m)},h^{(c)})=E_m(x,h^{(m)})+E_c(x,h^{(c)}) Emc(x,h(m),h(c))=Em(x,h(m))+Ec(x,h(c))
其中 E m E_{\text{m}} Em为标准的Gaussian-Bernoulli RBM能量函数。
E m ( x , h ( m ) ) = 1 2 x