去噪个体偏差以实现更公平的二值子矩阵检测
机器学习
2020-08-11 v2 机器学习
摘要
二值矩阵的低秩表示在解耦稀疏的个体—属性关联方面具有强大能力，并已得到广泛应用。现有的二值矩阵分解（BMF）或共聚类（CC）方法常假设独立同分布背景噪声。然而，该假设在真实数据中易被违背，其中二值条目的异质行或列方向概率导致差异化的逐元素背景分布，并削弱现有方法的合理性。我们提出一种二值数据去噪框架，即 BIND，其通过估计行或列方向的模式与差异化背景的混合分布，并剔除更可能来自背景的二值属性，来优化真实模式的检测。BIND 得到行与列方向混合分布严密推导的数学性质支持。我们在合成与真实数据上的实验表明，BIND 有效去除背景噪声，并大幅提升了前沿 BMF 与 CC 方法的公平性与准确性。
引用
@article{arxiv.2007.15816,
title = {Denoising individual bias for a fairer binary submatrix detection},
author = {Changlin Wan and Wennan Chang and Tong Zhao and Sha Cao and Chi Zhang},
journal= {arXiv preprint arXiv:2007.15816},
year = {2020}
}
备注
Accepted at CIKM 2020