非参数贝叶斯分组因子分析的坍缩变分推断
机器学习
2018-09-25 v2 机器学习
摘要
分组因子分析（GFA）方法已广泛用于从多个相关数据集（包括系统生物学与神经影像等领域）中推断共同结构与组特异性信号。迄今，大多数可用GFA模型需要吉布斯抽样或切片抽样来执行推断，这阻碍了GFA在大规模数据上的实际应用。本文中，我们针对基于层次beta伯努利过程构建的非参数贝叶斯分组因子分析（NGFA）模型，提出一种高效的坍缩变分推断（CVI）算法。我们的CVI算法通过边缘化掉组特异性beta过程参数，随后在坍缩空间中使用平均场方法近似真实后验。在合成与真实数据上的实验结果证明了我们的CVI算法相对于最先进GFA方法在NGFA上的有效性。
引用
@article{arxiv.1809.03566,
title = {Collapsed Variational Inference for Nonparametric Bayesian Group Factor Analysis},
author = {Sikun Yang and Heinz Koeppl},
journal= {arXiv preprint arXiv:1809.03566},
year = {2018}
}