AAAIDec, 2015

具有数据增强的判别式非参数潜在特征关系模型

PDF
TL;DR本研究提出一种较为准确地进行关系建模和预测的方法，该方法使用了具有判别性的非参数潜在特征关系模型 (LFRM)，该模型使用概率推理，并将预测损失与贝叶斯模型的概率推理结合使用，并使用不同的规则参数来处理真实网络中不同类型链接的不平衡问题，同时对光滑的逻辑对数损失和分段线性铰链损失进行统一分析。
discriminative nonparametric latent feature relational modellink predictionprobabilistic inferencebayesian modelstochastic gradient langevin dynamics
发现论文，激发创造
  • 最大间隔非参数潜在特征模型用于链路预测

    本论文介绍了一种利用 max-margin learning 和 Bayesian nonparametrics 将判别性潜在特征和非参数潜在特征融合起来进行链接预测的方法，并提供了一种有效的 stochastic variational inference 算法以及贝叶斯公式，以避免调整正则化超参数。

    Feb, 2016

  • 非参数贝叶斯重叠随机块模型的小方差渐近理论

    本研究提出了一种基于小方差渐近基础的非参数贝叶斯隐含特征关系模型。通过这种模型，我们得到了一个目标函数，并设计了一种易于实现且实际运行速度快的确定性推理算法，该算法在处理多种基准数据集时表现出竞争力，甚至比 MCMC 方法更快。

    Jul, 2018

  • 关系判别主题模型

    通过三个扩展来改进 RTMs 模型，扩大模型表达性和处理不平衡网络结构的能力，实现更加精准的推理和主题发现.

    Oct, 2013

  • 高维半参数回归的似然比框架

    提出一种基于似然比的高维半参数广义线性模型的推理框架，包括使用规则化统计制备模型、构建后规则化的置信区间和测试、发展新的浓缩不等式和正态逼近结果，以及应用于缺失数据问题的示例。

    Dec, 2014

  • 具有附加信息的关系数据的深度生成模型

    提出一种基于概率框架的深度学习架构，可用于发现重叠社区和关系数据中的链接预测，利用多层潜在特征 / 社区来提高复杂网络上的链接预测性能，通过回归模型将可用的节点属性作为侧面信息，能更好地解释潜在特征，具有高效且可扩展的优点。

    Jun, 2017

  • 异构数据的通用潜在特征模型

    该研究介绍了一种适用于异构数据集的贝叶斯非参数潜在特征模型，具有共轭模型的属性，并且可以自动推断出数据中需要捕捉的潜在结构的特征数目。

    Jun, 2017

  • 非参数元数据相关联模型

    介绍非参数元数据依赖关系（NMDR）模型，一种贝叶斯非参数随机块模型用于网络数据，通过学习回归模型，使每个节点上的实体可以在无限多个潜在社区中具有混合成员资格，并且可以依赖和预测任意节点元数据。使用有效的 MCMC 算法从部分观察的节点关系中学习 NMDR 模型，回顾性 MCMC 方法可以直接使用 NMDR 的无限粘性分解表示，避免了有限截断的需要。结果表明，从真实的社交和生态网络中恢复出有用的潜在社区，元数据在链接预测任务中也是有用的。

    Jun, 2012

  • 基于随机傅里叶特征的贝叶斯非线性潜变量建模

    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

  • 数据探索任务的通用潜在特征建模

    提出一种适用于异构数据的通用贝叶斯非参数潜在特征模型，能自动进行探索性分析，并能从数据自动推断模型复杂度。

    Jul, 2017

  • 高阶节点依赖性可扩展的深度生成关系模型

    提出了一种基于概率框架的深度生成关系模型，通过高阶邻域结构信息建立了能够处理非线性映射的深层网络架构，并使用了 Dirichlet 随机变量结构的新型数据增强方法，使得在实际数据集中的链接预测表现得到了显著的提高。

    Nov, 2019