概率化 PARAFAC2
机器学习
2018-06-22 v1 机器学习
摘要
PARAFAC2 是一种多模态因子分析模型，适用于在一个模态具有不可比观测单元（例如由于信号采样或批次大小差异）时分析多向数据。为了提升对噪声的鲁棒性并提供确定因子个数的可靠原则，需要对 PARAFAC2 进行完全概率化处理，但由于因子载荷被约束为正交，这具有挑战性。我们提出了两种 PARAFAC2 的概率化表述以及用于推断的变分过程：一种方法中因子载荷的均值正交，从而得到闭式变分更新；另一种方法中因子载荷本身正交，使用了矩阵 Von Mises-Fisher 分布。我们将概率化表述与基于最大似然的常规直接拟合算法进行对比。在模拟数据以及真实的荧光光谱和气相色谱-质谱数据上，我们将我们的方法与常规 PARAFAC2 模型估计进行比较，发现概率化表述对噪声和模型阶数误设定更具鲁棒性。因此，概率化 PARAFAC2 构成了一种对有不确定性建模的多向数据而言颇具前景的框架。
引用
@article{arxiv.1806.08195,
title = {Probabilistic PARAFAC2},
author = {Philip J. H. Jørgensen and Søren F. V. Nielsen and Jesper L. Hinrich and Mikkel N. Schmidt and Kristoffer H. Madsen and Morten Mørup},
journal= {arXiv preprint arXiv:1806.08195},
year = {2018}
}
备注
16 pages (incl. 4 pages of supplemental material), 5 figures