植物界的空缺填补——使用分层概率矩阵分解进行性状预测
计算工程、金融与科学
2012-07-03 v1 机器学习
应用统计
摘要
植物性状是理解和预测生态系统对环境变化适应的关键，这推动了旨在构建全球植物性状数据库并成为生态学界标准资源的TRY项目。尽管其覆盖范围前所未有，但大量缺失数据严重制约了联合性状分析。同时，性状数据具有植物界层次系统发育结构的特点。虽然基于因子分解的矩阵补全技术已被广泛用于解决缺失数据问题，但传统矩阵分解方法无法利用系统发育结构。我们提出了分层概率矩阵分解（HPMF），它有效地利用层次系统发育信息进行性状预测。通过实验，我们展示了HPMF的高准确性、融入层次结构的有效性以及捕捉性状相关性的能力。
引用
@article{arxiv.1206.6439,
title = {Gap Filling in the Plant Kingdom---Trait Prediction Using Hierarchical Probabilistic Matrix Factorization},
author = {Hanhuai Shan and Jens Kattge and Peter Reich and Arindam Banerjee and Franziska Schrodt and Markus Reichstein},
journal= {arXiv preprint arXiv:1206.6439},
year = {2012}
}
备注
Appears in Proceedings of the 29th International Conference on Machine Learning (ICML 2012)