Dec, 2014

基于标签的序数稀疏因子分析用于学习和内容分析

PDF
TL;DR本论文使用机器学习技术设计了一种个性化的学习系统，其中根据学生的背景、学习目标和最新表现实时定制学习经验。通过学习分析，基于学生们对一组问题的正确 / 错误反应来估计学习者对领域底层概念的了解情况，从而建立考察问题与这些概念之间关系的模型，实现了知识、内容分析及关联的联合学习。在此基础上，本文进一步扩展了 SPARFA 框架，让它能够处理有序变量且带有标签和缺失值的数据，从而大大提高了预测计算和概念解释的可靠性和准确性。通过实际的教育数据验证，所提出的 Ordinal SPARFA-Tag 方法表现优于 SPARFA 和已有的协作过滤技术，在预测学习者缺失反馈的时候更加可靠、高效。
发现论文，激发创造
  • 稀疏因子分析应用于时变学习和内容分析

    该论文提出了一种新的基于机器学习的框架 SPARFA-Trace，用于教育应用的时间变化学习和内容分析，旨在从学习者的二元分级响应数据和每个时间点学习者执行的具体操作总结中估计学习者的知识转变，分析学习资源的质量和内容组织，问题概念关联及问题内在难度，提供个性化教育方案。两个在线课程数据集的实验结果表明 SPARFA-Trace 能够追踪每个学习者的概念知识演变，同时分析学习资源的质量和内容组织，问题概念关联及问题内在难度，以预测个性化的学习效果。

    Dec, 2013

  • 贪婪发现序因素

    本文提出了一种采用序数因子分析的方法来处理大数据集中存在的结构问题，并介绍了一种贪婪算法来提取序数因子，从而发现和解释数据集中的不同项目和属性之间的关系，以及一种基于由序数分解产生的表示的距离度量方法，用于发现相似的项目。

    Feb, 2023

  • SPARTan: 大规模稀疏数据的可扩展 PARAFAC2

    通过提出 SPARTan 方法，我们得以解决 PARAFAC2 运算大规模、稀疏数据时的效率问题。在通过真实病例进行的评估中，我们发现 SPARTan 在表现上胜过了过去的实现，并以高效的方式获得了对于复杂医学病例下几位小患者的临床意义刻画及其时间进化路径的结果。

    Mar, 2017

  • 可验证的最优低秩因子分析

    本文提出了一种基于半定规划的非线性的秩受限因子分析问题的最优化表述方法，并使用目前最先进的非线性优化技术提高了计算可扩展性，同时展示了在真实数据集上提高的精度。

    Apr, 2016

  • 面向高维稀疏矩阵的图嵌入潜因子分析

    本文提出了一种基于图的潜因子分析模型，将隐藏的高阶交互与重复的低秩嵌入相结合，从而提高了对高维稀疏矩阵的表示学习能力，并在三个真实数据集上验证了其在预测丢失数据方面的优越性。

    Apr, 2022

  • 分析算子学习的深入洞见：从基于补丁的稀疏模型到高阶 MRFs

    本文提出了一种新的学习算法来应对近期提出的共稀疏分析模型，使用双层优化技术来学习分析算子，研究了共稀疏分析模型的不同方面，并将训练模型应用于多个经典的图像恢复问题。

    Jan, 2014

  • 稀疏高维数据上基于推理网络的学习挑战

    本文研究基于深度神经网络的非线性因子分析中的参数估计问题，探讨了大规模、稀疏、高维数据中的欠拟合问题，提出了受随机变分推断启发的迭代优化方法及改进的稀疏数据表示方法，实现了在文本计数数据集上的最新结果和在 Top-N 推荐任务上的优异表现。

    Oct, 2017

  • 锚定离散因子分析

    本研究介绍了一种用于学习任意结构的离散因子分析模型的半监督学习算法，该算法假定每个潜在变量都有 “锚”，即仅有该潜在变量作为其父变量的观测变量。在给定这些锚的情况下，可以恢复隐变量的矩，并利用这些矩来学习完整的模型。同时，我们还介绍了一种提高矩方法算法健壮性的新技术，即通过优化边际多面体或其松弛度。我们在 Stack Overflow 网站提问的标签预测和急诊科医学诊断两个实际任务中对我们的算法进行了评估。

    Nov, 2015

  • 深度因素分析混合模型

    本文提出了一种用于深度因子混合模型的贪婪分层学习算法，实现了深层结构的高效学习和推断，结果表明该算法相对于浅层模型、限制玻尔兹曼机等方法在多数据集上的密度建模效果更好。

    Jun, 2012

  • 关于最小迹因子分析的研究 —— 一首换了调的老歌

    本文介绍了 Minimum Trace Factor Analysis（MTFA）的放松版本，该方法对于具有显著异方差噪声的数据不会过度拟合，并解决了因子分析中常见的 Heywood 案例以及现有光谱方法中最近发现的 “病态条件的诅咒”。我们提供了有关所得低秩子空间的准确性以及计算该矩阵的拟议算法的收敛速率的理论保证。同时，我们发展了与现有方法（包括 HeteroPCA，Lasso 和 Soft-Impute）之间的一些有趣联系，以填补已经很大的低秩矩阵估计文献中的重要缺口。通过数值实验证明了我们的结果与用于处理异方差噪声的几个最近的提议进行了基准对比。

    Feb, 2024