高维半参数潜在图模型中的混合数据
本文提出了一种适用于混合数据的图模型,该模型对高维数据来说简单而灵活,采用回归算法和群体套索惩罚法来拟合模型,并将其应用于 CAL500 音乐注释数据集,成功得到了将音频信号的连续特征与流派、情感和用途等分类变量之间关系的稀疏而可解释的图模型。
Apr, 2013
本文提出了一种名为 “非参数鸟瞰者” 的半参数方法,用于高效且鲁棒地估计高维无向图模型;该方法采用了 高斯 Copula 图模型 以及 Spearman's rho 和 Kendall's tau 这些非参数秩相关系数估计器,以实现建模的灵活性和估计的鲁棒性。
Feb, 2012
我们提出了一个全面的贝叶斯方法,用于确定观察研究中的图形模型,可以同时容纳二元、序数或连续变量。我们的新模型称为 Copula 高斯图形模型(CGGMs),并将图形模型选择嵌入半参数高斯 Copula 中。我们的方法的适用范围非常广泛,涵盖了许多社会科学和经济学研究。我们在分析 16 维功能残疾列联表中展示了 Copula 高斯图形模型的使用。
Aug, 2011
此研究提出了一种贝叶斯非参数方法,用于信号分离,其中信号可以根据潜在变量而变化。我们的关键性贡献是将高斯过程潜变量模型(GPLVM)扩展为包括每个数据点由多个纯组分信号的加权和构成的情况,并且可以观察多个输入位置。我们的框架允许使用各种关于每个观测的权重的先验知识。这种灵活性使我们能够表示多种用例,包括估计分数构成的加权和为一约束条件和用于分类的二值权重。我们的贡献特别适用于光谱学,其中不同的条件可能导致基础纯组分信号从样本到样本变化。为了证明其在光谱学和其他领域的适用性,我们考虑了几个应用:具有不同温度的近红外光谱数据集,用于识别管道流动配置的模拟数据集,以及通过反射确定岩石类型的数据集。
Feb, 2024
本文介绍了一种条件稀疏的潜变量高斯图模型(LVGGM),利用正则化的极大似然方法来学习具有低秩加稀疏结构的逆协方差矩阵,并在高维情况下得到了新的参数估计误差界限。
Jun, 2014
利用 copula 构建和优化层次贝叶斯模型中的变分提议的统一框架,提出了一种半参数自动化变分 Gauss Copula 方法,通过参数化 Gauss Copula 家族,能保留多元后验相关性,通过基于 Bernstein 多项式的非参数变换提供了足够的灵活性来描述单变量边际后验。
Jun, 2015
这篇论文提供了一种基于边际集似然函数的半参数推断方法,用于分析具有不同类型的多元数据,如二进制、次序和连续型数据,通过相互参数化变量的联合分布和单变量边际分布来实现混合数据分析。其 Gibbs 采样算法适用于高斯协方差模型的参数估计和推断。
Oct, 2006
本文考虑了在一种成对图模型中,每个节点的条件分布都属于指数族分布这样一种参数调整问题。该文章证明了参数空间的限制条件以及基于邻域选择方法对于高维数据下的图重建方法的相容性,同时提出了在处理不同参数形式的情况下如何选择节点间边的问题,并举出高斯分布,伯努利分布,泊松分布和指数分布等实例验证了理论发现。
Nov, 2013
提出一种新的方法,用于一般化贝叶斯非线性潜在变量建模,通过使用随机傅里叶特征来逼近高斯过程映射中的核函数,从而将 GPLVM 推广至泊松、负二项和多项分布等情况,并通过随机特征潜变量模型(RFLVM)对广泛的应用进行评估,结果表明该算法在复杂数据集的潜在结构和数据填充方面表现出着与现有先进算法相当的实用性。
Jun, 2023