- 探索长期船舶事故风险预测的关键因素
通过因子分析预测海事安全事故风险,筛选关键因素并提供管理策略。
- 基于矩阵变量 $t$ 分布的鲁棒双线性因子分析
提出了一种基于矩阵变量 $t$ 分布的双线性因子分析模型($t$bfa),能够同时提取重尾或受污染的矩阵数据中行和列变量的共同因子,通过开发两种高效的 $t$bfa 最大似然估计算法,并导出用于计算参数估计精度的 Fisher 信息矩阵的闭 - 因子辅助的个性化异构数据联邦学习优化
Federated learning aims to protect data privacy, and this paper proposes FedSplit, a personalized federated learning fra - 揭示语言模型中的普遍智能因子:一种心理测量学方法
该研究通过对两个庞大的数据集进行因子分析,揭示了语言模型中的综合智能因素,提供了一种用于模型评估的统一度量,为未来的人工智能研究和模型评估奠定了基础。
- 核 - 中 - 边指数:基于因子分析的邻居和最短路径中心性度量
我们对四个主要的社区和最短路径中心性度量(度,特征向量,介数和接近度)的原始数据进行因子分析,并提出了一种新的量化测度,称为核心 - 中间 - 外围(CIP)指数,以捕捉节点在网络中扮演核心节点(中心网络上具有较大任何中心度量的值的节点)和 - 新冠疫情对大学生抑郁问题的影响因素的研究
通过量子退火算法,我们确定了 COVID-19 大流行之前和之后相关因素的相对重要性和关联性变化,验证了该方法在因子分析研究中的可比较能力,并发现在后疫情条件下,与疫情相关的因素和心理因素更为重要。
- 稀疏惩罚的双聚类方法
该研究回顾了几种用于识别基因表达数据中最重要的聚类的双聚类方法,重点介绍了 SSVD(稀疏 SVD)方法,并尝试了一种新的稀疏惩罚,名为 “Prenet 惩罚”,该方法在因子分析中仅被使用,以获得稀疏性。随后,在模拟研究中,我们尝试了不同类 - 揭示语言模型能力结构
本研究通过贝叶斯和频率分析结合,从 29 个 LLM 的数据中分析出 LLMs 的能力结构,发现 LLMs 的能力不是单一的,而是可以被解释为三个能力:推理、理解和核心语言建模,并且这三个能力可以解释模型性能的高比例差异,可以用来指导模型的 - 神经因果因素分析
使用深度学习和因果推断,我们针对神经因果因子分析(NCFA)提出了一种完全非参数的因子分析方法,该方法不仅表现出与标准 VAEs 相当的数据重建能力,还具有更稀疏、更低复杂度和因果可解释性等优点,并且可以学习和推理关于观察数据潜在因素的因果 - ICML自监督神经因子分析用于解开话语级语音表示的混杂信息
通过聚类方法和因子分析模型,使用自监督学习的特征对 SSL 模型进行有监督微调,可用于说话人、情感和语言识别等级别任务,并提供更具有区分性的音频特征表示,此方法在 SUPERB 基准测试中表现良好。
- 多模态分层变分自编码器与因子分析潜变量
本篇论文提出了一种新方法 FA-VAE,以克服深度生成模型的解释性,灵活性和模块化方面的局限性,并提高了数据共享和迁移学习的性能。
- 多因素感知双重注意知识追踪
提出了一个名为 MF-DAKT 的多因素感知双关注模型,其中利用双关注机制丰富问题表述并利用多个因素来建模学生的知识状态,以预测学生的表现。实验结果表明,该模型优于现有的知识追踪方法。
- 自编码器和缺失数据的概率推断:矩阵因子分析案例的精确解
使用因子分析模型可以精确计算缺失数据情况下的潜在后验分布,并提出针对不同的缺失模式需要不同的编码网络的解决方案,比较了各种逼近方法的有效性。
- 潜空间中的模型评价
本文提出了一种基于潜在变量模型的方法,通过将数据拉回到潜在变量空间,直接评估潜在变量空间中的先验和似然假设以进行模型评估,并结合因子分析、线性动力系统和高斯过程等实例进行验证。
- 在千人神经影像数据集上实现因素分析
本研究比较了两种最近的多主体因子分析方法:Shared Response Model 和 Hierarchical Topographic Factor Analysis,对其进行了分析、算法和代码优化,以实现多节点并行应用的规模化,提供较 - 可验证的最优低秩因子分析
本文提出了一种基于半定规划的非线性的秩受限因子分析问题的最优化表述方法,并使用目前最先进的非线性优化技术提高了计算可扩展性,同时展示了在真实数据集上提高的精度。
- 贝叶斯群组因子分析
这篇文章介绍了一种基于 group-wise 稀疏因子的因子分析模型,可以用于处理神经影像或者化学系统生物学方面的数据分析任务。
- 贝叶斯非参数模型教程
介绍贝叶斯非参数方法,这是一种避免模型选择问题的方法,是一个高级入门,包含多个应用示例。
- 非参数贝叶斯稀疏因子模型及其在基因表达建模中的应用
提出了一种非参数贝叶斯因子分析(FA)的扩展,其中观察数据 𝐘 被建模为潜在无限个隐藏因素 𝐗 的线性叠加 𝐆,使用印度自助餐过程(IBP)作为先验来描绘稀疏性并允许推断潜在特征的数量,使用基于已知 E. Coli 稀疏连接