带质量保证的马尔科夫链混合模型学习
该研究介绍了一种新颖的连续时间马尔可夫链混合模型,重点研究了观察路径长度和混合参数对问题范畴的影响,并通过实验证明了离散化连续时间路径对混合模型的可学习性有重要影响,为不同问题情境下的算法选择提供了关键见解。
Feb, 2024
本文提出了一种具有高效性、准确性的 LDA 模型的推理算法,该算法使用 SVD 进行主题恢复,并考虑了实际情况下主题的特点,如抓关键词和主要混合分布的假设。
Oct, 2014
该研究介绍了一种学习马尔可夫链混合的新方法,该方法通过集中于击中时间,设计了重构算法,在复杂计算和非对称特征的计算击中时导数方面具有高效性,并且在合成和真实数据集上进行了实验证明和全面评估。
May, 2024
通过对 Graph Convolutional Networks 在推荐系统中的应用进行研究,提出了一种名为 SVD-GCN 的简化 GCN 学习的范例,并通过该方法仅利用 K 个最大奇异向量来提高推荐系统的性能,大幅度缓解了平滑问题。实验证明,该方法不仅显著优于现有技术,而且相对于 LightGCN 和 MF 分别实现了 100x 和 10x 的加速效果。
Aug, 2022
本文提出了一种基于变分贝叶斯推理的通用框架,用于在半监督环境中训练参数化的三元马尔可夫链模型,从而实现对顺序贝叶斯分类的多种生成模型的半监督算法。
Sep, 2023
本文通过 Cheeseman-Stutz 渐近逼近和 Expectation-Maximization 算法的结合,提出了一种有效的方法来学习混合有向无环图模型(MDAGs),并探讨了参数和模型结构的搜索问题。
Jan, 2013
提出了一种名为 ECA 的学习流程,基于低阶矩的光谱分解,它可以恢复多种混合模型的参数,并在仅使用三元统计时正确恢复主题概率向量和主题优先级,因此具有可扩展性。
Apr, 2012
提供了多个基于马尔可夫链的有偏梯度估计算法的非渐进收敛分析,并将其视为马尔可夫链梯度下降框架的特例,通过新的理解开发了一种并行的 Markov chain score ascent (pMCSA) 算法,实现了对梯度变化的更紧密控制,从而显著提高了算法的实际性能。
Jun, 2022