一种用于时间演进双部分过程的协作卡尔曼滤波器
本文提出了一种基于复合泊松矩阵分解的共轭数值稳定动态矩阵分解(DCPF)方法,用于建模平滑漂移的潜在因素和预测未来的用户 - 项交互,通过 Netflix、Yelp 和 Last.fm 等数据集的测试,DCPF 模型的预测准确性优于目前流行的静态和动态因子分解模型。
Aug, 2016
通过发展一种称为 Pathspace Kalman Filter (PKF) 的 KF 扩展算法,我们能够动态跟踪与底层数据和先验知识相关的不确定性,并利用贝叶斯方法量化不同的不确定性来源,并且在生物学时间序列数据集上的应用表明,PKF 在合成数据集上的表现优于传统的 KF 方法,均方误差缩小了几个数量级。
Feb, 2024
本文提出了一种名为 RKN 的循环卡尔曼网络,它可以在不使用其他近似方法(如变分推断)的情况下,使用反向传播直接学习高维因式分解潜在状态表示,从而具有能够精确估计不确定性的能力,并在图像插值任务中优于多种生成模型。
May, 2019
本论文提出基于 Poisson 分解模型的动态矩阵分解模型 dPF,使用卡尔曼滤波器来建立时间演化的潜在因素,用泊松分布来解释行为,进而提出了可扩展的变分推理算法并在 arXiv.org 上验证,相比静态和其他动态推荐模型,提高了推荐性能。
Sep, 2015
提出一种基于状态空间模型的矩阵分解方法,可解决处理用户随时间变化的推荐系统问题,利用卡尔曼滤波器等技术提供准确的推荐结果,通过期望最大化算法学习系统参数,并与当前发表的技术进行比较。
Oct, 2011
该论文提出了一种使用时间生成模型进行反事实推断的方法,利用统一算法高效地学习广谱卡尔曼滤波器,其中还引入了 “Healing MNIST” 数据集用于建模,并基于 8000 名患者超过 4.5 年的电子病历数据显示了其对反事实推断的有效性。
Nov, 2015
该研究提出了一种高效的在线近似贝叶斯推断算法,用于从可能的非静态数据流中估计非线性函数的参数,并通过使用后验精度矩阵的新型低秩加对角线分解,使每步成本与模型参数数量呈线性关系,与基于随机变分推断的方法相比,我们的方法是完全确定性的,不需要步长调整,并显示实验表明,这导致学习速度更快(更节约样本),从而更快地适应不断变化的分布,并作为上下文强化学习算法的一部分积累奖励更快。
May, 2023
针对高维度的非高斯状态空间模型、非线性且可能是混沌动力学以及空间与时间稀疏的观测,我们提出了一种新的过滤方法,使用交通测度、凸优化和概率图模型的思想来产生高维度下的坚韧的集成近似过滤分布。我们的方法可被理解为集成卡尔曼滤波器(EnKF)的自然推广,使用随机或确定性耦合来进行非线性更新。使用非线性更新可以降低 EnKF 的固有偏差,只带来少量的计算成本。我们避免了任何形式的重要性采样,并引入了维度可扩展性的非高斯本地化方法。我们的框架在混沌区域的 Lorenz-96 模型的挑战配置下实现了最先进的跟踪性能。
Jun, 2019
该研究通过引入新的分布式实现的集合卡尔曼滤波器(EnKF),实现了对高维问题中大数据集的非顺序同化。采用传统的 EnKF 算法在计算上是复杂的,并在需要与背景协方差矩阵交互的应用中存在困难,因此需要使用顺序同化等方法,但这可能导致意外后果,如对观测排序的依赖。我们的实现利用了分布式计算的最新进展,在分布式内存中构建和使用完整的模型误差协方差矩阵,允许对所有观测进行批量同化,消除了顺序依赖。对比性能评估包括合成和现实世界的古气候重建应用结果表明,新的非顺序实现优于传统的顺序实现。
Nov, 2023