贝叶斯非参数布尔因子模型
机器学习
2019-07-02 v1 机器学习
摘要
我们基于近期已被证明能以空前精度解决布尔矩阵与布尔张量分解问题、并能使后验推断扩展到数十亿观测的布尔矩阵与布尔张量分解概率模型展开研究。在此，我们通过引入关于因子矩阵的印度自助餐过程（Indian Buffet Process, IBP）先验，解除对预先指定潜维度数量的限制。由于模型中的逻辑依赖关系，完整因子条件不仅具有计算便利的形式，而且关于非零潜维度数量的后验也异常简单。它等同于计数错误与真负预测的数量，而正预测可被忽略。这构成了带 IBP 先验的基于采样的后验推断的一个非常透明的例子，并且重要的是，使我们保持极高效率的推断。我们讨论了在模拟数据以及一个含 600 万条记录的真实世界数据矩阵上的应用。
引用
@article{arxiv.1907.00063,
title = {Bayesian Nonparametric Boolean Factor Models},
author = {Tammo Rukat and Christopher Yau},
journal= {arXiv preprint arXiv:1907.00063},
year = {2019}
}
备注
Presented at the 2018 NeurIPS Workshop on Bayesian Nonparametrics