最新36页《贝叶斯非参学习综述》，机器学习内功修炼手册- 专知

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：