Dec, 2018

贝叶斯均值参数化非负二进制矩阵分解

PDF
TL;DR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。
binary data matricesnonnegative matrix factorizationbernoulli-distributedbayesian mean-parameterized nonnegative binary matrix factorization modelscollapsed gibbs sampler
发现论文，激发创造
  • 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

  • 非负矩阵分解中贝叶斯泛化误差的上界

    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

  • 基于非负矩阵分解的多模态多视角聚类

    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

  • 推荐系统的序数非负矩阵分解

    本文介绍了一种新的非负矩阵分解方法 OrdNMF，可以在推荐系统中处理分类数据，而不需要进行二值化处理，并且在数据表示和算法效率方面都具有优势。

    Jun, 2020

  • 使用线性规划分解非负矩阵

    本论文提出了一种新的基于线性规划的计算非负矩阵分解的方法，其中关键思想是使用数据中最显著的特征来表示其他特征，以实现低秩近似且扩展到更一般的噪声模型并具有高效可扩展性的算法。

    Jun, 2012

  • 使用非负矩阵分解学习隐马尔科夫模型

    本文提出了一种基于高阶马尔可夫统计的非负矩阵分解的 HMM 学习算法，该算法支持对 HMM 的循环状态数目进行估计，并迭代非负矩阵分解算法以改善学习到的 HMM 参数。

    Sep, 2008

  • 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

  • 非负因子分解与最大边双团问题

    本文主要研究了基于非负矩阵分解的数据压缩和解释方法中的 Nonnegative Factorization 问题，并通过引入新的类别的算法 Hierarchical Alternating Least Squares (HALS) 来提高它的效率，同时对大规模的无向图的最大边双向子图问题进行了降阶处理，并将其与 Nonnegative Factorization 的稳定点联系起来，得出了一种新的边双向子图发现算法。

    Oct, 2008

  • 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

  • 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