一种用于高维稀疏数据分析的多度量隐因子模型
机器学习
2022-04-19 v1
摘要
高维稀疏（HiDS）矩阵普遍存在于各类大数据相关应用中。隐因子分析（LFA）是一种典型的表示学习方法，通过低秩近似从 HiDS 矩阵中提取有用而潜在的知识的。当前基于 LFA 的模型主要关注单度量表示，其为近似损失函数所设计的表示策略是固定且互斥的。然而，真实世界的 HiDS 矩阵通常具有异质性与包容性，并呈现多样潜在模式，使得单度量表示极可能性能不佳。受此驱动，本文提出一种多度量隐因子（MMLF）模型。其主要思路包括两方面：1）同时利用两个向量空间与三种 Lp-范数发展出六种 LFA 模型变体，每种均居于独特的度量表示空间；2）以定制的自适应加权策略集成所有变体。由此，所提 MMLF 可一举兼得源自一组相异度量空间的优势，实现对 HiDS 矩阵全面且无偏的表示。理论研究保证 MMLF 取得性能增益。在涵盖广泛工业与科学领域的八个真实 HiDS 数据集上的大量实验证实，我们的 MMLF 显著优于十种当前最优的浅层与深层对照模型。
引用
@article{arxiv.2204.07819,
title = {A Multi-Metric Latent Factor Model for Analyzing High-Dimensional and Sparse data},
author = {Di Wu and Peng Zhang and Yi He and Xin Luo},
journal= {arXiv preprint arXiv:2204.07819},
year = {2022}
}