国际贸易流中潜在维度的确定
机器学习
2020-08-06 v1 信息检索
综合经济学
经济学
机器学习
摘要
当前，高维数据在数据科学中无处不在，这使得开发分解与解释此类多维（即张量）数据集的技术成为必要。寻找数据的低维表示，即其内在结构，是可用于理解隐藏于数据中的低维潜在特征动态的方法之一。非负RESCAL便是这样一种技术，尤其适用于分析自关系数据，例如国际贸易流中的动态网络。非负RESCAL通过寻找包含多种模态的潜在空间来计算低维张量表示。估计该潜在空间的维度对于提取有意义的潜在特征至关重要。在此，为确定非负RESCAL潜在空间的维度，我们提出一种基于多组非负RESCAL分解解之聚类的潜在维度确定方法。我们在合成数据上展示了模型选择方法的性能，随后将该方法应用于分解来自国际货币基金组织的国际贸易流数据网络，并依据经济学文献中的经验事实对所得特征进行验证。
引用
@article{arxiv.2003.00129,
title = {Determination of Latent Dimensionality in International Trade Flow},
author = {Duc P. Truong and Erik Skau and Vladimir I. Valtchinov and Boian S. Alexandrov},
journal= {arXiv preprint arXiv:2003.00129},
year = {2020}
}