【博士论文】自适应、鲁棒且可扩展的贝叶斯滤波方法用于在线学习

文章预览

在 本 论文 中， 我们 引入 贝 叶 斯 滤波 作为 一个 有 理论 基础 的 框架， 用以 解决 多种 序列 机器 学习 问题， 包括 在 线（ 持续） 学习、 预 序列（ 一步 预测） 预测 以及 上下文 赌博 问题。 为 实现 这 一 目标， 本文 聚焦 于 将 贝 叶 斯 滤波 应用 于 这些 问题 时 所 面临 的 关键 挑战： 适应 非 平稳 环境 的 能力、 对 模型 错 设 与 异常 值 的 鲁 棒 性， 以及 在 高 维 参数 空间（ 如 深度 神经 网络） 中的 可 扩展 性。 针对 上述 挑战， 我们 在 贝 叶 斯 滤波 框架 下 提出 了 多 项 新 方法， 包括： ( i)  一个 模 块 化 框架， 支持 在 线 学习 中 自 适应 方法 的 开发； ( ii)  一种 新颖 且 在 计算 复杂 度 上 可与 标准 滤波 器 媲美、 具有 理论 保证 的 鲁 棒 滤波 器， 基于 广义 贝 叶 斯（ Generalised  Bayes） 方法 实现； ( iii)  一套 利 ………………………………