A variational Relevance Vector Machine (RVM) is disclosed. The RVM is a
probabilistic basis model. Sparsity is achieved through a Bayesian
treatment, where a prior is introduced over the weights governed by a set
of what are referred to as hyperparameters--one such hyperparameter
associated with each weight. An approximation to the joint posterior
distribution over weights and hyperparameters is iteratively estimated
from the data. The posterior distribution of many of the weights is
sharply peaked around zero, in practice. The variational RVM utilizes a
variational approach to solve the model, in particular using product
approximations to obtain the posterior distribution.
Une machine variationnelle de vecteur de pertinence (RVM) est révélée. Le RVM est un modèle probabiliste de base. L'espacement est réalisé par un traitement bayésien, où un antérieur est présenté au-dessus des poids régis par un ensemble de ce que désigné sous le nom des hyperparameters -- un tel hyperparameter lié à chaque poids. Une approximation aux poids et aux hyperparameters finis de distribution postérieure commune est itérativement estimée à partir des données. La distribution postérieure de plusieurs des poids est brusquement faite une pointe autour de zéro, dans la pratique. Le RVM variationnel utilise une approche variationnelle pour résoudre le modèle, en particulier employant des approximations de produit pour obtenir la distribution postérieure.
