基于随机结构化平均场变分推断的 Beta 过程非负矩阵分解
机器学习
2014-12-03 v2 机器学习
摘要
Beta 过程是潜在因子模型的标准非参数贝叶斯先验。在本文中，我们推导了一种针对具有泊松似然的 Beta 过程非负矩阵分解 (NMF) 模型的结构化平均场变分推断算法。与非参数贝叶斯文献中研究充分的线性高斯模型不同，具有 Beta 过程先验的 NMF 模型不具备共轭性。我们利用最近开发的随机结构化平均场变分推断来放松共轭约束，并恢复近似变分分布中潜在变量之间的依赖关系。在合成数据和真实数据上的初步结果表明，所提出的推断算法能够合理地恢复数据的隐藏结构。
引用
@article{arxiv.1411.1804,
title = {Beta Process Non-negative Matrix Factorization with Stochastic Structured Mean-Field Variational Inference},
author = {Dawen Liang and Matthew D. Hoffman},
journal= {arXiv preprint arXiv:1411.1804},
year = {2014}
}
备注
6 pages, 1 figure