高维分类的贝叶斯条件张量分解

Jan, 2013

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

categorical data tucker factorization bayesian approach markov chain monte carlo variable selection

发现论文，激发创造

一种基于变分推断的贝叶斯张量分解模型用于链接预测

通过 VB 推断技术对单个和耦合张量分解模型进行全贝叶斯推断，有效地解决了缺失链接预测问题。

Sep, 2014

基于贝叶斯鲁棒性的不完整多维数据张量分解

本文提出了一种基于贝叶斯建模和多线性交互作用的张量分解方法，可以在存在缺失数据和离群值的情况下进行鲁棒分析，实现对丢失数据的稳健预测分布。

Oct, 2014

高维模型中的贝叶斯推断

本文综述了贝叶斯及相关方法在高维模型中的性质，如许多正常问题，线性回归，广义线性模型，高斯和非高斯图模型等。同时也讨论了有效的计算方法。

Jan, 2021

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

基于贝叶斯泊松张量分解的从稀疏子项事件计数推断多边关系

使用贝叶斯张量分解模型对动态二元交互模式进行潜在群体结构的推断，以及通过推理的低维、可解释的表示捕捉到多边关系。

Jun, 2015

大规模计数数据的可扩展贝叶斯非负张量分解

本文提出了用于计数张量数据的贝叶斯非负张量分解模型，并开发了可用于处理海量张量的可扩展推理算法（批处理和在线推理），以及一系列实际应用。

Aug, 2015

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

通过矩阵分解实现张量分解

本研究提出了一种新的 CP 张量分解方法，使用了随机投影算法降低了问题难度并在模拟和真实数据集上得到了更好的表现。

Jan, 2015

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