NIPSOct, 2016

快速贝叶斯非负矩阵分解与三因子分解

PDF
TL;DR本论文提出一种快速变分贝叶斯算法，用于实现非负矩阵分解和三因式分解，相对于 Gibbs 采样和非概率方法，我们的方法可以在每次迭代和时间步（挂钟时间）中实现更快的收敛，并且不需要额外的样本来估计后验，特别地，我们的变分贝叶斯方法提供了三因式分解的快速解决方案，从而更有效地利用该方法。
variational bayesian algorithmnon-negative matrix factorisationtri-factorisationgibbs samplingposterior estimation
发现论文，激发创造
  • 贝叶斯非负矩阵分解推断方法的比较研究

    该研究考虑用贝叶斯矩阵分解法进行数据预测和模式发现，比较了不同推理方法在噪声和数据稀疏性下的收敛性和鲁棒性，并讨论了如何通过提出的贝叶斯自动相关性确定先验进行模型选择。

    Jul, 2017

  • 大规模计数数据的可扩展贝叶斯非负张量分解

    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

  • 基于粒子的变分方法用于贝叶斯非负矩阵分解

    使用粒子变分贝叶斯方法处理非负矩阵分解中的非识别性问题，提高贝叶斯 NMF 后验分布的精度并发现多模态的重要作用。

    Mar, 2018

  • 贝叶斯均值参数化非负二进制矩阵分解

    本文提出了一种针对二元数据矩阵的基于贝叶斯平均参数非负矩阵分解的方法，并使用折叠吉布斯采样和折叠变分算法推断了因子的后验分布，同时将所提出方法拓展到非参数设置下，实现自动检测相关成分数量，实验证明该方法在词典学习和预测任务方面的性能优于现有技术。

    Dec, 2018

  • 神经网络矩阵分解的变分推断及其在随机块模型中的应用

    使用贝叶斯神经网络和变分推断构建的概率神经网络矩阵因子分解模型能够获得与常规神经网络变体相当的预测性能，这一概率方法在处理随机块模型时非常重要，同时还提出了一个非参数块结构的神经网络矩阵分解模型的变分推断算法，并在 NIPS 合著数据集上评估了其性能。

    May, 2019

  • 分布式柔性非线性张量分解

    本文提出了一种分布式、灵活的非线性张量分解模型，通过可避免昂贵的计算以及提供高质量推理的上限，它能够克服传统张量分解模型中的限制，并展现出在 CTR 预测方面的巨大潜力。

    Apr, 2016

  • 贝叶斯布尔矩阵分解

    介绍了一种概率生成模型 ——OrMachine，用于布尔矩阵分解和推导出马尔科夫链蒙特卡罗 (Metropolised Gibbs) 采样器，实现了高效的并行后验推断，并在真实世界和模拟数据上优于目前所有现有的布尔矩阵分解和完整方法，首次为布尔矩阵分解提供了完整的后验推断，在协同过滤中用于控制假阳性率，并关键地提高了推断模式的可解释性。提出的算法在通用硬件上扩展到大型数据集，如在 1.3 百万只老鼠脑细胞上分析 11 千个基因的单细胞基因表达。

    Feb, 2017

  • 非参数贝叶斯负二项式因子分析

    通过构造负二项分析（NBFA）来解决泊松分布捕捉协变量出现在样本中自我重复及与其他协变量之间激发关系的局限性，并利用分层伽马负二项过程支持数不尽的因素。设计了两种基于多项式分布的混合成员模型，实现快速收敛和低计算复杂度的阻塞吉布斯采样器，提供比以前的方法更具优势的紧凑表示，预测能力和计算复杂性。

    Apr, 2016

  • 多维时间序列预测的贝叶斯时态分解

    本文提出了一种贝叶斯时间分解（BTF）框架，用于在存在缺失值的情况下对多维时间序列进行建模，通过将低秩矩阵 / 张量分解和向量自回归 (VAR) 过程集成到一个概率图模型中，该框架可以表征大规模时间序列数据中的全局和局部一致性，并开发了有效的 Gibbs 采样算法进行模型推断和预测，在多个缺失数据和滚动预测任务上验证了该框架的显著优越性。

    Oct, 2019

  • 具有随机结构均值场变分推理的 Beta 流程非负矩阵分解

    本文从贝塔过程的角度，推导了一种针对具有 Poisson 分布似然函数的非负矩阵分解 (NMF) 模型的结构均场变分推理算法，并利用最近开发的随机结构均场变分推理方法来恢复潜在变量之间的依赖关系，并在合成和真实数据上进行了初步的实验验证。

    Nov, 2014