基于自适应散度的非负隐因子分析
机器学习
2022-10-25 v2
摘要
高维不完全（HDI）数据广泛存在于各类工业应用中，众多节点间存在复杂交互，且常为非负值以表示节点交互固有的非负性。非负隐因子（NLF）模型能从中高效提取内在特征。然而，现有 NLF 模型均采用欧氏距离或 {\alpha}-{\beta} 散度等静态散度度量构建学习目标，极大限制了其准确表示来自不同领域 HDI 数据的可扩展性。针对此问题，本文提出一种自适应散度非负隐因子（ADNLF）模型，包含三方面思路：a) 用 {\alpha}-{\beta}-散度推广目标函数以扩展其表示各类 HDI 数据的潜力；b) 采用非负桥接函数将优化变量与输出隐因子连接，以持续满足非负约束；c) 通过粒子群优化使散度参数自适应，从而在学习目标中促成自适应散度以实现高可扩展性。在来自实际应用的四个 HDI 数据集上进行了实证研究，结果证明相较于最先进 NLF 模型，ADNLF 模型以高计算效率显著提升了 HDI 数据集缺失数据的估计精度。
引用
@article{arxiv.2203.16214,
title = {Adaptive Divergence-based Non-negative Latent Factor Analysis},
author = {Ye Yuan and Guangxiao Yuan and Renfang Wang and Xin Luo},
journal= {arXiv preprint arXiv:2203.16214},
year = {2022}
}