Apr, 2017

数据整合的贝叶斯混合矩阵分解

PDF
TL;DR引入了一种新的贝叶斯混合矩阵分解模型（HMF）用于数据集成，能够结合多种矩阵分解方法，可用于预测缺失值的内部和外部矩阵，同时可集成许多不同实体类型的数据集，包括重复实验、相似度矩阵和非常稀疏的数据集。我们将方法应用于两个生物应用，并与最先进的机器学习和矩阵分解模型进行广泛比较。对于药物敏感性数据集的内部矩阵预测，我们获得了比现有方法更优异的性能，特别是当我们增加数据集的稀疏性时。此外，我们还对甲基化和基因表达数据集进行了外部矩阵预测，在其中三个数据集中有两个获得了最佳结果，特别是当数据集的可预测性高时。
bayesianhybrid matrix factorisationdata integrationbiological applicationsmachine learning
发现论文，激发创造
  • 矩阵分解的数据融合

    使用 DFMF 矩阵三因子分解的数据融合算法，将基于特征、本体、关联和网络的十七种不同数据源有效地融合，可以用于基因功能预测和预测药理作用，并取得了比其他数据融合方法更高的准确度。

    Jul, 2013

  • 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

  • 自然语言处理应用的排名和运行时感知压缩

    本文提出一种称为混合矩阵分解 (Hybrid Matrix Factorization) 的压缩技术，将低秩矩阵分解技术（LMF）的矩阵秩翻倍，采用智能混合结构，提高了准确性，并且在保持密集矩阵的同时，速度优于剪枝或结构矩阵压缩技术。在 5 个 NLP 基准测试中评估了此技术对多个任务（翻译，意图检测，语言建模）的影响，并表明，在类似准确性值和压缩因子的情况下，HMF 比剪枝快 2.32 倍以上，比 LMF 的准确性高 16.77%。

    Oct, 2020

  • 结构化矩阵分解在单位超立方体中的矩阵补全

    本文提出了两个矩阵分解模型，用于预测电影特效渲染艺术家的效率，并对其进行了广泛的数值测试。这些模型基于矩阵完成问题，利用了作者对 VFX 环境的了解。其中，一个模型为可解释的专业知识矩阵分解（EMF），另一个为概率性生存矩阵分解（SMF）。

    May, 2019

  • 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

    本文介绍一种基于神经网络与矩阵分解的方法，使用最优化技术得到潜在特征向量并据此构建神经网络，进而代替传统内积的矩阵分解方法，从而在一些测试数据集上达到更好的效果。

    Nov, 2015

  • 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

  • 可扩展的贝叶斯非线性矩阵补全

    基于高斯过程潜变量模型的贝叶斯非线性矩阵补全算法，经过数据并行分布式计算方法加以优化，实现了对于高度稀疏大型矩阵的预测任务，得到了较好的实验结果。

    Jul, 2019

  • 针对药物相互作用预测的图正则化概率矩阵分解

    本文提出了一种新的图形规范的概率矩阵分解（GRPMF）方法，它通过一种新颖的基于图形的正则化策略将专家知识纳入到 MF 框架中，提出了一种高效且有声优化算法来解决交替方式产生的非凸问题，通过药物银行数据集进行了评估，并与最先进技术进行了比较。结果表明，与其竞争对手相比，GRPMF 表现出优异的性能。

    Oct, 2022

  • 耦合矩阵和张量分解的一次性优化

    本文提出了一种耦合矩阵和张量分解 (CMTF) 方法，通过 all-at-once 优化的方法来融合包含不同矩阵和高阶张量的异构数据集，并可以处理不完整数据集，实现更精准的数据分析。

    May, 2011