最新36页《贝叶斯非参学习综述》，机器学习内功修炼手册

【导读】贝叶斯学习在机器学习领域始终扮演着重要的角色，并在多个领域得到了广泛的应用，在贝叶斯学习的基础上，贝叶斯非参学习（BNL，Bayesian nonparametric learning）由于其更强大的建模灵活性和表示能力，已经成为该领域重要的研究方向之一。本文为大家带来了贝叶斯非参学习的最新综述，帮助大家快速了解这一领域。

介绍：

由于贝叶斯学习可以包容模型的不确定性、处理先验知识和赋予模型可解释性的特殊能力，长期以来都是机器学习任务中的重要关注点，而在贝叶斯学习的巨大成功基础上，贝叶斯非参数学习由于其更大的建模灵活性和表示能力，已经成为该领域进一步发展的主要推动力之一。

与贝叶斯学习的固定维概率分布不同，BNL创建了一种具有无限维随机过程的新思路。BNL长期以来一直被认为是统计学中的一个研究课题，到目前为止，已经有多项研究表明，BNL在解决现实机器学习任务方面有着很大的潜力。然而，尽管存在着如此大的前景，BNL却始终没有在机器学习社区掀起显著的浪潮。原因可能是因为，统计学家写的关于BNL的书籍和综述过于复杂，充斥着乏味的理论和证据，虽然每个过程都有其必要性，但很可能会吓跑其他领域的研究人员，尤其是那些有计算机科学背景的研究人员，因此，本文的目的是以机器学习社区的研究人员能够接受的方式，提供一个简单而全面的BNL理论调研综述。希望这项调研可以帮助大家，成为理解和利用BNL的一个不错的起点。

本文组织结构如下：

• 介绍

• 定义

• 基本材料：随机过程

• 定义与属性

• 结构（construction）

• 随机过程的操作

• 分层（layering）

• 叠加（Superposition）

• 降采样（Subsampling）

• Point-transition

• 嵌套

• 边缘化

• 后验推断

• 马尔可夫链蒙特卡洛方法

• 变分推断

• 可扩展性

• 其他

• 机器学习中的应用

• 监督学习

• 因子分析

• 迁移学习

• 树结构学习

• 关系学习

• 强化学习

• 现实世界中的应用

• 文本挖掘

• 自然语言处理

• 计算机视觉

• 生物

• 音乐分析

• 机器人

• 总结

原文链接：

https://dl.acm.org/citation.cfm?doid=3309872.3291044

 请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“SBNL” 就可以获取最新论文的下载链接~ 

附论文全文：

-END-

专 · 知

专知《深度学习:算法到实战》课程全部完成！480+位同学在学习，现在报名，限时优惠！网易云课堂人工智能畅销榜首位！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

请加专知小助手微信（扫一扫如下二维码添加），加入专知人工智能主题群，咨询《深度学习:算法到实战》课程，咨询技术商务合作~

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

点击“阅读原文”，了解报名专知《深度学习:算法到实战》课程