面向动态指数族分解模型的去耦合扩展卡尔曼滤波
机器学习
2021-02-25 v2 机器学习
摘要
受在线大规模推荐系统需求的驱动，我们将去耦合扩展卡尔曼滤波（DEKF）专门应用于分解模型，包括分解机、矩阵与张量分解，并通过合成数据与真实世界数据的数值实验说明了该方法的有效性。通过 DEKF 对模型参数进行在线学习，使分解模型具有更广泛的用途：(i) 通过整个指数族允许更灵活的观测，(ii) 建模参数漂移，(iii) 产生参数不确定性估计，从而支持探索/利用及其他应用。我们采用了与标准 DEKF 不同的参数动力学，在允许参数漂移的同时鼓励合理取值。我们还给出了扩展卡尔曼滤波与 DEKF 的另一种推导，突出了 Fisher 信息矩阵在 EKF 中的作用。
关键词
引用
@article{arxiv.1806.09976,
title = {The decoupled extended Kalman filter for dynamic exponential-family factorization models},
author = {Carlos Alberto Gomez-Uribe and Brian Karrer},
journal= {arXiv preprint arXiv:1806.09976},
year = {2021}
}
备注
29 pages, 4 figures