Nov, 2018

缺失数据上非均匀加权快速矩阵分解

PDF
TL;DR本文利用加权矩阵进行非均匀权重的矩阵分解，提出了一种在观测到的数据矩阵的情况下快速学习的方法，该方法有效地解决了数据矩阵中的数据缺失问题。
matrix factorizationmissing datauniform weightweighted matrixfast learning method
发现论文，激发创造
  • 基于隐性反馈的在线推荐快速矩阵分解

    本次研究旨在提高矩阵因式分解（MF）在隐式反馈中的效率和效果，其中解决了现存工作中的两个问题：缺少反馈数据和扩展动态更新策略。我们基于项目的流行度提出了一个新颖的变量加权方法，并设计了一个基于 eALS 技术的学习算法，用于优化具有变量加权缺失数据的 MF 模型，并实现了一种增量更新策略。通过离线和在线的实验验证表明，我们的 eALS 方法相对于现有研究表现更佳。

    Aug, 2017

  • 不完整数据的可扩展张量分解

    考虑如何分解具有缺失值的数据集，以捕捉数据的潜在结构并可能重建缺失值。我们开发了一种名为 CP-WOPT 的算法，该算法使用一种一阶优化方法来解决加权最小二乘问题，并通过大量的数值实验验证了该算法的性能良好，能够成功分解噪声数据及缺失数据高达 99％的张量，同时适用于稀疏大规模数据。

    May, 2010

  • 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

  • 快速自适应加权矩阵分解在具有隐式反馈推荐中的应用

    提出了基于变分自编码器的快速自适应加权矩阵分解 (FAWMF) 方法，通过参数化神经网络自适应地分配个性化数据置信度权重，并采用新的特定基于批次的学习算法 fBGD 实现快速和稳定的学习。

    Mar, 2020

  • 通过交替更新的非负矩阵分解恢复保证

    本文提出了一种基于生成模型的非负矩阵分解算法，该算法采用 ReLU 对权重进行解码，可以在较宽松条件下恢复基本事实，并且能够容忍大于信号的无偏噪声，分析依赖于两个潜在函数之间的精心设计的耦合。

    Nov, 2016

  • 通过快速交替最小二乘法实现矩阵补全和低秩奇异值分解

    本文介绍一种 “softImpute” 算法，将 matrix-completion 问题的两种流行的方法：核范数规则化矩阵逼近和最大间隔矩阵分解结合，且在大矩阵逼近和补全方面表现更好。

    Oct, 2014

  • 具证明性的用于具有强相关性的非负矩阵分解的交替梯度下降算法

    本文提出了基于交替梯度下降的算法，证明在强相关性存在的情况下能够恢复真实特征矩阵，并展示了其鲁棒性和优越性。

    Jun, 2017

  • 带有缺失数据的可证明张量分解

    本文研究低秩张量分解在缺失数据的情况下的问题，提出了基于交替最小化法的新方法，表明在一定条件下，我们的方法可以从少量采样的条目中精确地恢复一个低秩张量。

    Jun, 2014

  • 非负矩阵分解的加速乘法更新和分层 ALS 算法

    本文提出了一种加速处理非负矩阵分解问题的技术，通过在每个迭代步骤中精确分析计算成本，来保持算法的收敛性。这种加速技术可以应用于其他算法，并且已在图像和文本数据集上进行了实证研究。

    Jul, 2011

  • 压缩非负矩阵分解快速准确

    本研究提出了借助结构化随机压缩技术，分别应用于传统非负矩阵分解和分离式非负矩阵分解，以应对数据结构日益复杂、数据集日益庞大的情况，结果表明这种压缩技术比传统方法更快速高效。

    May, 2015