小数据集上贝叶斯矩阵分解的先验与似然选择
机器学习
2017-12-04 v1
摘要
本文研究贝叶斯矩阵分解中不同先验与似然选择的影响，聚焦于小数据集。这些选择会极大影响方法的预测性能。我们识别出四类方法：高斯似然配实值先验、非负先验、半非负模型，以及泊松似然方法。对每一类，我们回顾文献中的若干模型，共计十六个，并讨论不同先验与矩阵范数间的关系。我们在三个应用领域的八个真实数据集上广泛比较这些方法，给出组间与组内比较。我们度量收敛运行速度、交叉验证性能、稀疏与含噪预测性能，以及模型选择鲁棒性。我们就小数据集上贝叶斯矩阵分解中先验与似然选择的权衡提供若干见解——例如泊松模型给出较差预测，且非负模型比实值模型约束更强。
引用
@article{arxiv.1712.00288,
title = {Prior and Likelihood Choices for Bayesian Matrix Factorisation on Small Datasets},
author = {Thomas Brouwer and Pietro Lio'},
journal= {arXiv preprint arXiv:1712.00288},
year = {2017}
}