4、归一化流混合模型训练算法与基于面部表情的音乐推荐系统

归一化流混合模型训练算法与基于面部表情的音乐推荐系统

1. 归一化流混合模型训练算法

归一化流混合模型是可用于聚类的生成模型，可使用不同算法进行拟合训练。这里实现了三种文献中描述的方法（硬期望最大化、软期望最大化、应用于负证据下限损失的梯度下降），并改进了一个公开实现（应用于负对数似然损失的梯度下降）。

1.1 超参数设置

• SoftEM和HardEM特定超参数 ：对于每个M步，玩具数据有10个epoch，图像数据有4个epoch。损失采用负对数似然。
• 损失定义 ：对于GD、SoftEM和HardEM，损失为负对数似然；对于VarGD，损失为负ELBO。
• 运行设置 ：每个算法在每个数据集上运行5次，使用从0到4的种子。从5次运行中选择损失最小的模型。

1.2 实验结果

实验在6个数据集上对4种算法进行了测试，结果如下表所示：
| 数据集 | 算法 | 种子 | 时间（分钟） | 纯度↑ | ARI↑ | NMI↑ | ACC↑ | 损失↓ | NLL↓ | -ELBO↓ |
| — | — | — | — | — | — | — | — | — | — | — |
| Circles | HardEM | 2 | 5.591 | 0.501 | 0.000 | 0.000 | 0.501 | 2.047 | 2.047 | NaN |
| Circles | SoftEM | 2 | 6.045 | 0.50