随机马尔可夫场在协同过滤中的应用
此研究旨在将马尔可夫随机场与深度学习相结合,提出了一个训练算法,可以学习结构化模型和深度特征,以提高多个随机变量的预测性能。该算法在预测词汇和图像多分类上均具有重要的性能提高。
Jul, 2014
本文介绍了一种高效的先验模型 —— 高斯混合 Markov 随机场模型 (GM-MRF),以及通过构建替代函数的新型分析框架,在低对比度和高对比度区域分别控制图像重建锐度的方法。实验证明了该模型在图像去噪和低剂量 CT 重建方面的价值。
May, 2016
本文提出了一种基于全连接神经元的新型 MRF 模型,将深度神经网络的表达能力和 MRF 的循环依赖结构结合在了一起,通过对多个 RNN 进行逆向连接形成的前馈网络的近似表示,实现了高效的学习和在各种低级视觉任务中的卓越表现。
Sep, 2016
提出了一种新颖的、基于高斯马尔可夫随机场并利用多层结构的深度高斯马尔可夫随机场模型,该模型在大规模图数据上具有良好的可扩展性和灵活性,并利用变分推断的方法进行高效训练和预测。在多个实验数据集上,该模型都表现出了比其他贝叶斯和深度学习方法更好的性能表现。
Jun, 2022
本文提出了一个基于贝叶斯生成模型的协同过滤模型,用于处理隐式反馈数据,将缺失数据作为未观测随机图的边缘部分,利用随机梯度下降和平均场理论的变分推断实现了大规模分布式学习。通过对真实世界数据的较为详细的比较,该模型具有一定的优势。
Sep, 2013
本文提出了一种基于矩阵分解的协同过滤框架,旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换,运用神经信息传递技术计算新场景下用户嵌入。实验结果表明,我们的模型可实现在有限的训练数据下,针对新用户的优秀推荐,并具有等效的矩阵因式分解表现。
Jul, 2020
该论文提出了一种基于图结构状态空间模型的概率推理方法,利用深度学习和高斯马尔可夫随机场的有原则的推理方法,定义简单的空间和时间图层,并通过变分推理从单个时间序列中高效地学习出灵活的时空先验分布,可缩放地采样出闭合的后验。
Jun, 2023
本文介绍了使用 hinge-loss Markov 随机场图模型进行结构化预测的方法,包括适用于 HL-MRFs 的可扩展的推理算法和几种学习算法,并证明了该方法在四个应用领域中能够与离散模型相媲美或更好的预测性能。
Sep, 2013
基于深度学习的神经 MRF 模型在立体匹配任务中取得了显著的性能提升,通过在潜在函数和信息传递方面应用数据驱动的神经网络,该模型有效地解决了传统立体方法中的建模限制和精度问题,并借助变分推断理论保留了立体 MRF 模型的图感知特征。对于高分辨率图像进行可行的推理,并通过适应性地剪枝视差搜索空间的 Disparity Proposal Network (DPN),使得该方法在 KITTI 2012 和 2015 榜单上名列第一,且运行时间不超过 100 毫秒。与传统的全局方法相比,本方法的性能显著提升,例如在 KITTI 2015 数据集上将 D1 指标降低了 50%,并且具有强大的跨领域泛化能力和恢复锐利边缘的特点。详细代码请参见此链接。
Mar, 2024