Я. Гудфеллоу, И. Бенджио, А. Курвилль

v
).
Достоинства латентных переменных не исчерпываются их ролью в эффективном 
отражении 
p
(
v
). Новые переменные 
h
дают также альтернативное представление 
v
. 
Например, как было отмечено в разделе 3.9.6, модель гауссовой смеси обучается ла-
тентной переменной, соответствующей категории примеров, из которой выбирались 
входные данные. Это означает, что модель гауссовой смеси можно использовать для 
классификации. В главе 14 мы видели, что простые вероятностные модели типа раз-
реженного кодирования обучаются латентным переменным, которые можно исполь-
зовать как входные признаки для классификатора или как координаты на многооб-

---

490 

 
Структурные вероятностные модели в глубоком обучении 
разии. Так же можно использовать и другие модели, но глубокие модели и модели 
с разными видами взаимодействий способны создать еще более развитые описания 
входных данных. Во многих подходах обучение признаков достигается путем обуче-
ния латентным переменным. Часто при наличии некоторой модели 
v
и 
h
эксперимен-
тальные наблюдения показывают, что 
𝔼
[
h
| 
v
] или arg max
h 
p
(
h
, 
v
) – хорошее отобра-
жение признаков для 
v
.
16.6. Вывод и приближенный вывод
Один из основных способов использования вероятностной модели заключается в за-
давании вопросов о связи между различными величинами. Располагая набором ме-
дицинских анализов, мы можем спросить, чем болен пациент. В модели с латентными 
переменными интересно выделить признаки 
𝔼
[