Journal of mathematical imaging and vision Dordrecht [u.a.] : Springer Science + Business Media B.V, 1992 67(2025), Artikel-ID 28, Seite 1-17 Online-Ressource
As data availability increases while labels remain scarce, semi-supervised and unsupervised learning have become central to modern machine learning. Yet, scaling these methods to large, high-dimensional datasets remains computationally challenging. This work develops and investigates highly efficient algorithms for optimizing probabilistic generative models with discrete latent variables. Novel truncated variational posterior approximations are derived and combined with mixtures of factor analyzers (MFAs). The proposed approach exhibits sublinear scaling w.r.t. data and model size and enables training of Gaussian mixture models and MFAs at previously not reported scales on a single compute node. Furthermore, this work combines the variational optimization techniques with graph-based semi-supervised learning and investigates the application of variationally optimized generative models to the task of blind zero-shot denoising of macroscopic and microscopy images.
Mit zunehmenden Daten, bei denen nur wenige Datenpunkte gelabelt sind, gewinnen halb- und unüberwachte Lernalgorithmen im modernen maschinellen Lernen an Bedeutung. Die Skalierung dieser Methoden auf große, hochdimensionale Datensätze bleibt jedoch oft rechnerisch anspruchsvoll. In dieser Arbeit werden daher hocheffiziente Algorithmen zur Optimierung probabilistischer generativer Modelle mit diskreten latenten Variablen entwickelt und untersucht. Es werden neue, sogenannte truncated, variationale A-Posteriori-Approximationen hergeleitet und mit Mixture of Factor Analyzers (MFA)-Modellen kombiniert. Der vorgeschlagene Ansatz weist eine sublineare Skalierung hinsichtlich Daten- und Modellgröße auf und ermöglicht das Training von Gaußschen Mischmodellen und MFAs in bisher nicht berichteten Größenordnungen auf einem einzigen Rechenknoten. Zudem kombiniert diese Arbeit die variationalen Optimierungstechniken mit graphbasiertem halb-überwachtem Lernen und untersucht Anwendungen variational optimierter generativer Modelle für das blinde “Zero-Shot”-Entrauschen von makroskopischen und mikroskopischen Bildern.
Public Library of Science PLoS Computational Biology San Francisco, Calif. : Public Library of Science, 2005 20(2024), 6, Artikel-ID e1012192, Seite 1-22 Online-Ressource
European journal of nuclear medicine and molecular imaging Heidelberg [u.a.] : Springer-Verl., 2002 51(2024), Suppl 1, Seite S742-S743 Online-Ressource
European Association for Speech, Signal and Image Processing EURASIP Journal on audio, speech, and music processing Heidelberg : Springer, 2006 2024(2024), Artikel-ID 27, Seite 1-18 Online-Ressource
