Apr, 2022

面向高维稀疏矩阵的图嵌入潜因子分析

PDF
TL;DR本文提出了一种基于图的潜因子分析模型，将隐藏的高阶交互与重复的低秩嵌入相结合，从而提高了对高维稀疏矩阵的表示学习能力，并在三个真实数据集上验证了其在预测丢失数据方面的优越性。
high-dimensional and sparse matrixlatent factor analysisgraph-incorporated latent factor analysisrepresentation learningmissing data prediction
发现论文，激发创造
  • 一种包含自适应数据容错恢复调整的随机梯度下降算法用于隐因子分析

    本文提出了一种 ADRC 结合 SGD 算法来快速且准确地分析高维不完整矩阵的潜在因子，并在两个高维不完整数据集上的实证研究中表明，该模型在计算效率和准确性方面优于现有的 LFA 模型。

    Jan, 2024

  • Mini-Hes: 一个可并行化的二阶潜在因子分析模型

    本文提出了一种使用 Mini-Hes 优化算法构建 LFA 模型的方法，通过分析 HDI 数据的 Hessian 矩阵，利用广义 Gauss-Newton 矩阵中的主对角块作为中介策略，弥合了一阶和二阶优化方法之间的差距，并在多个实际 HDI 数据集的缺失数据估计任务中证明了 Mini-Hes 使 LFA 模型超越了一些最先进的模型。

    Feb, 2024

  • 非负潜在因子分析的动态线性偏置融合方案

    该论文介绍了一种动态线性偏差融合方案，用于高维且不完整数据的表征学习，通过将线性偏差向量扩展为矩阵，并建立二进制权重矩阵来动态切换线性偏差的状态，实现了非负潜在因子分析模型的动态线性偏差。实证研究表明，基于该方案的模型在三个真实应用领域的高维且不完整数据集上获得了较高的表征准确度，并具有高竞争力的计算效率。

    Sep, 2023

  • 从隐藏特征中学习：联合因子分析与潜在聚类

    本文提出了一种联合因子分析和潜在聚类的框架，旨在学习矩阵和张量数据的聚类感知低维表示。该方法利用矩阵和张量分解模型来揭示潜在聚类结构，并通过潜在聚类结构作为先验信息来提高因子分解的性能。

    May, 2016

  • 无监督图表示学习的图级通用潜在因子提取

    该论文提出了一种新的无监督图表示学习原则 —— 基于图的通用潜在因子提取（GCFX）以及一个深度学习模型 deepGCFX，利用提取出来的共同的潜在因子来改进下游任务的表现，特别是对于非同配图，还揭示了通用的潜在因子可以减轻节点或局部邻域的局部变化带来的干扰，从而有助于节点或图级的任务执行。

    Dec, 2021

  • 基于复杂张量分解的知识图谱补全

    本文介绍了一种基于复杂嵌入的统计关系学习方法，在实现表达能力和时间 / 空间复杂度之间权衡的同时，探索了这种复杂嵌入和酉对角化之间的联系，提出的嵌入方法仅涉及共轭内积，具有良好的可扩展性和高准确率。

    Feb, 2017

  • 大规模基于梯度的因子分析混合模型训练

    通过随机梯度下降方法，本论文针对高维数据提出了一种高效的高维混合因子分析（MFA）模型训练方法，并利用 MFA 应用于图像数据集进行样本生成和异常检测。

    Aug, 2023

  • 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

  • 利用基于图结构的矩阵分解构建具有局部支持的线性形状变形模型

    本文提出了一种基于稀疏性和基于图形的正则化项的矩阵分解问题的方法，用于获得具有局部支持的变形因子，该方法在医学图像处理中具有较好的适用性和实用性。

    Oct, 2015

  • 深度因素分析混合模型

    本文提出了一种用于深度因子混合模型的贪婪分层学习算法，实现了深层结构的高效学习和推断，结果表明该算法相对于浅层模型、限制玻尔兹曼机等方法在多数据集上的密度建模效果更好。

    Jun, 2012