Feb, 2016

最大间隔非参数潜在特征模型用于链路预测

PDF
TL;DR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。
link predictionbayesian nonparametricslatent feature modelsmax-margin learningstochastic variational inference
发现论文，激发创造
  • 具有数据增强的判别式非参数潜在特征关系模型

    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。

    Dec, 2015

  • 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

  • 基于无限多成员关系模型的复杂网络建模

    本文提出了一种新的非参数贝叶斯多成员潜在特征模型，用来分析复杂网络中的潜在结构，并展示了其在提高潜在结构学习和压缩表示方面的优势。

    Jan, 2011

  • 动态网络中的非参数链路预测

    提出了一个基于非参数方法的链接预测算法，该算法结合了端点特征和端点周围邻居的特征，可以分析不同类型的图并给出了一种基于局部敏感哈希的快速实现，实验证明该方法表现优于现有算法。

    Jun, 2012

  • 网络数据的无限潜在属性模型

    本文提出了一种基于层次贝叶斯模型的潜在变量模型，能更好地提取社交和生物学网络数据的结构关系并预测，相比只有一个层级的模型，本模型在预测性能上有显著的改进。

    Jun, 2012

  • 具有数据增强的 Gibbs 最大裕度主题模型

    本文提出了 Gibbs max-margin 监督主题模型的新型损失函数，通过引入增广变量和解析地消除 Dirichlet 变量，从而开发了简单的 Gibbs 抽样算法以解决多个潜在 SVM 子问题，且无需限制假设和解决 SVM 子问题，从而在许多分类任务中实现了时间效率和分类性能的显着提高。

    Oct, 2013

  • 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

  • 在扩展限制下学习主题模型和潜在贝叶斯网络

    本文提出了一个基于二阶可观测矩的无监督估计潜变量模型的方法，包括概率主题模型和潜线性贝叶斯网络等广泛的模型，且不需要对潜变量的分布做出任何假设，可以处理主题或潜因子之间的任意相关性，并且提出了一个可行的学习方法通过 L1 优化在数值实验中进行了研究。

    Sep, 2012

  • 利用最大 - 最小边缘马尔可夫网络实现一致结构化预测

    提出了一种名为 max-min margin Markov networks（M4N）的方法，用于解决结构化预测时，输入和标签之间的关系不确定时，支持向量机等二元分类方法具有的一致性问题，并证明了其一致性和有限样本的泛化界限。

    Jul, 2020

  • 基于表示学习和启发式特征的社交网络链接预测

    使用各种特征提取技术来为社交网络中的节点和边生成表示，以便预测缺失的连接，进而产生准确的推荐。

    Mar, 2024