结构化观测下的矩阵补全
数值分析
2018-01-30 v1 机器学习
统计方法学
摘要
预测或填补缺失数据的需求(常称为矩阵补全)是当今数据驱动世界中的常见挑战。以往策略通常假设观测项与缺失项之间不存在结构性差异。遗憾的是,该假设在许多应用中极不现实。例如,在经典的Netflix挑战中,人们希望预测用户对未看电影的评分,而观众未观看某部电影这一事实可能表明其对该电影缺乏兴趣,从而暗示比预期更低的评分。我们提出调整标准的核范数最小化矩阵补全策略,通过对未观测项的值进行正则化,以考虑观测与未观测项之间的此类结构性差异。我们表明所提方法在特定情形下优于核范数最小化。
引用
@article{arxiv.1801.09657,
title = {Matrix Completion for Structured Observations},
author = {Denali Molitor and Deanna Needell},
journal= {arXiv preprint arXiv:1801.09657},
year = {2018}
}