该研究提出了一种名为 “NONFAT” 的方法,它使用高斯过程先验和稀疏变分学习算法来实现动态张量分解,以分析伴随有时间信息的多维数据,并应用于多种实际应用中。
Jul, 2022
本文提出了用于计数张量数据的贝叶斯非负张量分解模型,并开发了可用于处理海量张量的可扩展推理算法(批处理和在线推理),以及一系列实际应用。
Aug, 2015
本研究提出了一种新的 CP 张量分解方法,使用了随机投影算法降低了问题难度并在模拟和真实数据集上得到了更好的表现。
Jan, 2015
本文研究了稀疏计数数据的多线性建模问题,提出了一个以泊松分布为假设的描述性张量分解模型和相应的算法和理论,并介绍了一种基于主导极小化方法的泊松张量分解算法,称为 CP-APR,并在几个数据集上的结果得到了验证。
Dec, 2011
本文提出了一种基于贝叶斯建模和多线性交互作用的张量分解方法,可以在存在缺失数据和离群值的情况下进行鲁棒分析,实现对丢失数据的稳健预测分布。
Oct, 2014
本文探讨了基于 Kullback-Leibler divergence 函数的适当的标准交替块变量方法的正定多项式张量分解的有效技术,并提出了新的子问题解算器来利用结构并将优化问题重新表述为小的独立子问题,使用有界的 Newton 和拟牛顿方法。与其他代码比较,表明我们的算法具有更快的速度,能够获得高精度的结果,并迅速找到稀疏解。
Apr, 2013
本文提出了一族新的方法,将知识图谱嵌入到实值张量中,使用这些基于张量的嵌入可以更加准确地预测新事实。通过实证评估,证明了这些张量分解模型的有效性和可靠性。
Feb, 2019
该论文研究了张量网络在离散多元概率分布建模中的表达能力,并针对使用不同类型的张量带来的参数数量和效率变化进行了严格分析,发现局部纯净态表示法的表达能力优于其他表示法。
Jul, 2019
本篇论文提出了一种名为 InfTucker 的新的张量分解模型,采用基于贝叶斯模型的 tensor-variate latent nonparametric Bayesian 模型,并结合高效推理方法,适用于多元数据分析,可处理多种数据类型和不确定性,实验结果显示其预测准确性优于现有的最先进的 tensor 分解模型。
Aug, 2011
本文提出了基于神经张量分解的动态关系数据预测模型,该模型利用长短时记忆网络来刻画关系数据中的多维时间交互作用,并结合多层感知器结构学习不同潜在因素之间的非线性关系,实验证明该模型在评级预测和链接预测方面性能显著优于神经网络因子分解模型和其他传统方法。
Feb, 2018