Jul, 2015

凸分解机用于回归

PDF
TL;DR本文提出了一种凸分解机方法（CFM），它是广泛使用的分解机（FM）的一个凸变体。该方法可以找到全局最优解，并已在应用于多视角矩阵分解和张量完成问题时获得成功。
convex factorization machinelinear+quadratic modelsemidefinite programmingglobally optimal solutiontensor completion
发现论文，激发创造
  • 在线小型凸分解机

    本研究提出了一种在线学习算法，名为 Online Compact Convex Factorization Machine (OCCFM)，使用一种新的凸化方法来进行因式分解模型的在线学习。该算法采用线性优化而非传统的投影操作来优化模型，理论上证明了它在在线学习场景中的优越性能，并在多个真实数据集上进行了验证。

    Feb, 2018

  • 大规模推荐系统中用于偏好获取的变分因子机

    本文提出了一种用于大规模数据的变分 Factorization Machines 算法，通过标准的 Mini-Batch 随机梯度下降法实现优化，从而为预测结果提供可靠的置信度，并在多个数据集上展示了其在预测准确性上具有与现有方法相媲美甚至更好的性能，同时提出了在偏好调查技术等活动策略中的应用。

    Dec, 2022

  • fastFM: 因子分解机的库

    本文介绍因子分解机及其在机器学习、推荐系统、处理稀疏高维特征等领域的应用。作者提供了一个易用的因子分解机实现，支持回归、分类和排序等任务，为这一模型在广泛的应用领域提供了便利和潜力。

    May, 2015

  • 用于流形学习的二次矩阵分解

    本文提出了一种二次矩阵分解（QMF）框架来学习数据集所在的曲面流形，该方法不同于局部线性方法，可以更好地利用底层曲面的结构，并通过两个实验表明该方法的有效性。

    Jan, 2023

  • 哪种因子分解机建模更好：具有最优保证的理论答案

    对于广义因子机，当输入数据满足所谓的 τ- 矩可逆特性时，可将广义因子机的采样复杂度提高至 O [k ^ 2d⋅polylog（kd）/τ^2]。

    Jan, 2019

  • 用于监督矩阵分解的指数收敛算法

    利用监督矩阵分解 (SMF) 方法，在高维数据中学习低秩潜在因素，并提供可解释性、数据重构性和类别区分性特征，通过一个新颖框架将 SMF 提升为一个结合因子空间的低秩矩阵估计问题，并提出了一个有效算法，在各种癌症中成功识别了已知的与癌症相关的基因组。

    Nov, 2023

  • 非凸因式分解实现保证矩阵补全

    矩阵分解是一种常用的大规模矩阵补全方法，本文提出了一种理论保证，即在正则化条件下，优化算法可以收敛于矩阵分解的全局最优解，并恢复真实的低秩矩阵，其中的非对称矩阵分解的扰动分析是一项技术贡献。

    Nov, 2014

  • 高阶分解机

    本文介绍了一种用于训练任意阶 HOFMs 的通用且高效的算法，以及具有共享参数的新变体，这大大减少了模型大小和预测时间，同时保持了类似的准确性，并在四个不同的链接预测任务上演示了所提出的方法。

    Jul, 2016

  • $FM^2$: 推荐系统中的场 - 矩阵分解机

    该研究提出了一种新的方法，名为 Field-matrixed Factorization Machines（FmFM，或 FM^2），用于有效和高效地建模数据中的字段信息，在交叉项剪枝的基础上支持字段特定变量维度的嵌入向量，并通过缓存中间向量进一步优化模型，实验结果显示该方法可以优于 FFM 和 DNN 模型。

    Feb, 2021

  • 基于神经网络的稀疏预测分析的因子分解机

    本文提出了一种用于稀疏数据预测的新型模型 Neural Factorization Machine（NFM），将因子分解机（Factorization Machines，FM）中二阶特征交互的线性性与神经网络中高阶特征交互的非线性相结合，实验证明 NFM 在深度学习方法 Wide&Deep 和 DeepCross 的基础上，使用更浅的结构却提供更好的性能，在实际中更易于训练和调节。

    Aug, 2017