Sep, 2023

非负潜在因子分析的动态线性偏置融合方案

PDF
TL;DR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。
high-dimensional and incomplete dataknowledge acquisitionnonnegative latent factor analysisdynamic linear bias incorporationrepresentation accuracy
发现论文，激发创造
  • 动态网络表示的动量非负张量因式分解模型

    本文提出了一种基于动量梯度下降的非线性潜在张量因子分解模型 (MNNL)，可从高维不完整张量 (HDI) 中提取非负潜在因子，改善了传统 LFT 模型的训练问题，提高了预测准确性和收敛速度。

    May, 2023

  • 面向高维稀疏矩阵的图嵌入潜因子分析

    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。

    Apr, 2022

  • 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

  • 多约束对称非负隐变量分析大规模无向加权网络

    本文提出了一种多限制的对称非负潜因子分析模型，通过引入多种限制和实现交替方向乘子法的学习方案，有效解决了对称高维不完整矩阵在无向加权网络中的特征表达问题。实验证明该模型较现有模型具有更强的表征学习能力。

    Jun, 2023

  • 基于张量分解的缺失数据填补的非侵入式负载监测

    本文通过引入一种创新的张量完成（TC）模型 - 比例积分导数控制（PID）结合非负张量潜变分析（PNLFT）的方法来解决 NILM 数据损失的问题，实验结果表明与现有模型相比，该模型在收敛速度和准确性方面具有显著提升。

    Mar, 2024

  • 接近对称非负隐因子分析：一种高度准确表示无向加权网络的新方法

    本文提出了一种名为 PSNL 的模型，它通过在面向数据密度和对称性的目标函数中加入接近项来提高表示准确性，并通过基于 ADMM 的自适应 TPE 方法实现高效的计算学习方案，从而实现了四个 UWN 上的模拟研究，证明了 PSNL 比最先进的模型实现更高的准确性提高，同时具有高度竞争的计算效率。

    Jun, 2023

  • 非负矩阵分解与潜在狄利克雷分配之间的联系

    非负矩阵因式分解也称为广义 Kullback-Leibler 散度 (NMF) 和隐含狄利克雷分配 (LDA) 是两种用于非负数据降维的流行方法。在这篇论文中，我们展示了在对分解的两个矩阵的列添加 $\ell_1$ 归一化约束和一个狄利克雷先验的条件下，NMF 与 LDA 等效。我们的方法还揭示了一个矩阵上的 Lasso 惩罚和另一个矩阵的 $\ell_1$ 归一化约束是不足以引发任何稀疏性的。

    May, 2024

  • 使用非线性协方差矩阵估计器的正则化线性判别分析

    利用正半定岭估计器及非线性协方差矩阵估计器，本文提出了一种新颖的 NL-RLDA 分类器，并通过综合性能评估表明其在合成数据和真实数据上的有效性。与现有方法相比，该技术在多个数据集上均表现优异。

    Jan, 2024

  • 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