Feb, 2023

带质量保证的马尔科夫链混合模型学习

PDF
TL;DR本文介绍了一种基于奇异值分解的算法，可以将用户轨迹聚类成具有公共序列模式的组，进而分析人类行为，并使用 EM 算法将其应用于混合马尔可夫链的重建，在合成和实际数据上的实验表明该算法在重建错误方面表现优于 GKV-SVD 算法。
发现论文，激发创造
  • 学习线性动力系统混合模型

    研究了从未标记的短样本轨迹中学习多个线性动态系统（LDS）混合模型的问题，并开发了二阶段元算法，其执行效果得到了验证。

    Jan, 2022

  • Markovletics: 学习连续时间马尔可夫链混合模型的方法及一种新应用

    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

  • 一种可证明的基于 SVD 的算法，用于学习主导混合语料库中的主题

    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

  • ULTRA-MC：通过撞击时间学习马尔可夫链混合物的统一方法

    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

  • SVD-GCN：面向推荐的简化图卷积范式

    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

  • 学习低秩模型混合物

    本文研究学习低秩模型的问题， 提出了一种三阶段元算法来解决未标记的异构数据和低复杂度结构带来的非凸性问题，并且可证明其稳定性。

    Sep, 2020

  • 一种基于三元马尔可夫链的概率半监督方法

    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

  • 学习有向无环图模型混合

    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

  • 潜在狄利克雷分配的谱算法

    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

  • 马尔可夫链分数上升：具有马尔可夫梯度的变分推断的统一框架

    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