面向高维不完整数据的锐利感知二阶潜因子模型
机器学习
2025-12-19 v1
摘要
二阶潜因子（SLF）模型作为一类低秩表征学习方法，已被证明在从高维不完整（HDI）数据中提取节点间相互作用模式方面效果显著。然而，其优化过程因双线性和非凸特性而备受挑战。锐利感知最小化（SAM）最近提出，通过寻找非凸目标函数的平坦局部最小值，从而提高表征学习模型的泛化能力。为此，我们提出一种锐利感知SLF（SSLF）模型。SSLF包含两个关键思想：（1）通过Hessian-向量乘积获取二阶信息；（2）通过设计的Hessian-向量乘积将锐利项注入曲率（Hessian）中。针对多个工业数据集进行的实验表明，所提模型始终优于最先进的基线方法。
关键词
引用
@article{arxiv.2512.16277,
title = {Sharpness-aware Second-order Latent Factor Model for High-dimensional and Incomplete Data},
author = {Jialiang Wang and Xueyan Bao and Hao Wu},
journal= {arXiv preprint arXiv:2512.16277},
year = {2025}
}