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
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
通过结合相关对象,无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中,我们提出了一项关于多模态聚类算法的研究,并提出了一种名为多模态多视图非负矩阵分解的新方法,其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明,所提出的方法具有较大的价值,并使用多种数据集进行评估,相比于现有的方法,获得了非常有前景的结果。
Aug, 2023
本文研究了非负矩阵分解的真实对数规范阈值,并在贝叶斯学习中给出了一种上界估计,结果表明如果应用贝叶斯学习,则可以使矩阵分解的泛化误差小于常规统计模型。
Dec, 2016
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
本文从可识别性的角度出发,详细介绍了非负矩阵分解的模型可识别性及其与算法和应用的联系,帮助研究人员和研究生掌握 NMF 的本质和洞见,避免由于无法识别的 NMF 公式导致的典型‘陷阱’。同时,本文也帮助实践者选择 / 设计适合其问题的分解工具。
Mar, 2018
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。
Oct, 2016
本文介绍了非负矩阵分解的稀疏特征提取功能,并探讨了如何解决通常情况下 NP 困难的 NMF 问题,介绍了一个称为近可分离 NMF 的问题子类,可以高效地解决一些在有噪声的情况下的 NMF 问题。最后简要描述了 NMF 在数学和计算机科学领域的若干相关问题。
Jan, 2014
本文介绍了一种基于 M 矩阵理论和非负矩阵分解的几何解释,通过对非负输入数据矩阵的预处理实现更为适合求解的 NMF 问题,其解具有更好的稀疏性和优化性,适用于多种图像数据集。
Apr, 2012
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