面向复杂数据集的贝叶斯低秩插值分解
机器学习
2022-07-05 v1 信息论
数值分析
math.IT
数值分析
摘要
本文中，我们引入一种用于学习插值分解（ID）的概率模型，该模型常用于特征选择、低秩近似以及识别数据中的隐藏模式，其中矩阵因子是与各数据维度相关的潜变量。采用在指定子空间上支撑的先验密度来处理观测矩阵因子分量的模长约束。基于 Gibbs 采样的贝叶斯推断流程被采用。我们在包括 CCLE EC50、CCLE IC50、CTRP EC50 和 MovieLens 100K 等具有不同规模与维度的多种真实世界数据集上评估该模型，结果表明所提出的贝叶斯 ID GBT 与 GBTN 模型相比现有随机化方法具有更小的重构误差。
引用
@article{arxiv.2205.14825,
title = {Bayesian Low-Rank Interpolative Decomposition for Complex Datasets},
author = {Jun Lu},
journal= {arXiv preprint arXiv:2205.14825},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2205.11025