变分Bayesian推理的鲁棒稀疏相关向量机

相关向量机(relevance vector machine,RVM)是一种基于稀疏贝叶斯原理的分类和回归建模方法,具有泛化能力强、有效刻画数据不确定性以及参数设置简单等优点。然而,RVM假定权重矩阵和数据噪声均服从高斯分布,降低了RVM的鲁棒性和泛化性能。为此,提出一种变分Bayesian推理的鲁棒稀疏相关向量机建模方法,继承了RVM的优点,同时具有更好的鲁棒性和泛化性。该方法新颖之处在于:通过对权重矩阵分布施加Laplace分布以保证权重矩阵的稀疏性;通过对建模噪声施加学生分布约束以及自适应调节学生分布的自由度参数,较好地描述数据的不确定性,增强所提方法对复杂数据建模能力;引入变分Bayesian推理方法求取最优RVM模型参数和超参数。仿真结果证明所提算法具有良好的鲁棒性和稀疏性,优于现有的变形RVM算法。