广义 Wick 分解
介绍了一种具有 Wishart 边际分布的随机过程:广义 Wishart 过程 (GWP),用于建模动态 (如时间变化) 协方差矩阵,并可以捕捉各种协方差结构,易于处理缺失数据,并可扩展到其他可观测变量。该模型性能超越主要竞争对手,多元 GARCH 模型,用于金融数据的预测表现良好。
Dec, 2010
本文研究了一种高效的参数估计方法,可用于广泛的潜变量模型,特别是那些具有张量结构的模型,包括高斯混合模型、隐马尔可夫模型和潜在狄利克雷分配模型,通过对表示模型可观测矩阵的低阶矩(通常为二阶和三阶)的张量进行分解获得。方法为鲁棒性较强、可有效计算,并可应用于多个流行的潜变量模型。
Oct, 2012
本文提出了通过张量分解方法学习广义线性模型的混合模型参数的方法,通过对输入进行特征转换以及使用得分函数张量和响应变量的交叉相关计算可以得到正确的参数估计,且其计算和样本复杂度是输入和潜在维度的低阶多项式。
Dec, 2014
该论文发展了一种广义的低秩张量分解(GCP),使其可以适用于二进制或计数数据,其中除了平方误差损失函数外,还可以使用逻辑损失或 Kullback-Leibler 散度损失函数,我们提供了基于统计动机的多种损失函数,为计算梯度和处理缺失数据提供了广义框架,从而可以使用标准优化方法来拟合模型,在社交网络,老鼠的神经活动和印度的月降雨数据等几个真实世界的例子中展示了 GCP 的灵活性。
Aug, 2018
本文介绍了 Wishart 矩阵矩时的分析,推导了实数随机 Wishart 矩阵的完整矩矩阵,得到了非各向同性 Wishart 矩阵的一些谱和跟踪型结果的推论,包括对经典谱和跟踪型矩的完整矩阵矩结果的推导。
Oct, 2017
本文研究了基于权重的概率分布与随机划分的性质,通过求解广义 Stirling 三角形的边界问题,得到了边界的离散和连续情况,同时识别出了 Ewens-Pitman 家族和条件随机分割等的极值点。
Dec, 2004
Tucker 分解是一种处理多方面数据的强大张量模型,本文提出了将其扩展到连续索引数据的功能性贝叶斯 Tucker 分解方法,使用高斯过程作为函数先验,并采用消息传递技术进行可扩展的后验近似计算。
Nov, 2023
生成模型的不确定性估计及其提出的内核评分和相关熵的偏差 - 方差 - 协方差分解是一项有前景的研究工作。作者利用生成样本提出了无偏且一致的估计方法,证明了方差和预测内核熵可作为图像、音频和语言生成的不确定性度量。这种不确定性估计方法在问答数据集上显示出比现有基线更好的性能,并可应用于闭源模型。
Oct, 2023