Jan, 2013
高维分类的贝叶斯条件张量分解
Bayesian Conditional Tensor Factorizations for High-Dimensional Classification
Yun Yang, David B. Dunson
TL;DR使用 Tucker 分解模型,配合贝叶斯方法与马尔可夫蒙特卡罗算法进行变量选择,取得高准确率的分类模型,使其适用于高维分类数据并解决标记互制问题。
Abstract
In many application areas, data are collected on a categorical response and
high-dimensional categorical predictors, with the goals being to build a
parsimonious model for classification while doing inferences on the important
predictors. In settings such as genomics, there can be complex interactions
among the predictors. By using a carefully-structured
发现论文,激发创造
多维时间序列预测的贝叶斯时态分解
本文提出了一种贝叶斯时间分解(BTF)框架,用于在存在缺失值的情况下对多维时间序列进行建模,通过将低秩矩阵 / 张量分解和向量自回归 (VAR) 过程集成到一个概率图模型中,该框架可以表征大规模时间序列数据中的全局和局部一致性,并开发了有效的 Gibbs 采样算法进行模型推断和预测,在多个缺失数据和滚动预测任务上验证了该框架的显著优越性。
Oct, 2019
TensOrMachine: 概率布尔张量分解
本文介绍了用布尔张量分解 (BTD) 对多层二次关系数据进行概率建模和处理的方法,并且显示出在进行模型选择和处理缺失数据时优于现有的技术。作者使用了几个真实数据集,其中最大的一个数据集涉及了超过 $10$ 亿个数据点。
May, 2018
具自动秩确定的不完整张量的贝叶斯 CP 分解
本文提出了一种基于层次概率模型的 CP 张量分解方法,通过整合多个潜在因子和适当的超参数来提供完全贝叶斯处理,以实现自动排序确定,同时提供对缺失条目的预测分布。
Jan, 2014
关于张量、稀疏性和非负因子分解
本文研究了稀疏计数数据的多线性建模问题,提出了一个以泊松分布为假设的描述性张量分解模型和相应的算法和理论,并介绍了一种基于主导极小化方法的泊松张量分解算法,称为 CP-APR,并在几个数据集上的结果得到了验证。
Dec, 2011