用于多任务二分排序的迹范数约束矩阵变量高斯过程

我们提出了一种用于多任务二分排序的新型分层模型。该方法将矩阵变量高斯过程与任务级二分排序的生成模型相结合。此外，我们采用一种新型的迹约束变分推断方法，对后验矩阵变量高斯过程施加低秩结构。推导出了闭合形式的后验协方差函数，而后验均值函数则是具有新型谱弹性网正则化器的矩阵变量回归的解。进一步地，我们证明了结合二分排序模型的最大似然参数估计的迹约束矩阵变量高斯过程的变分推断是联合凸的。我们的激励应用是候选疾病基因的优先排序。该任务的目标是利用一组少量的观测关联以及由基因 - 基因相互作用网络和疾病本体诱导的核，辅助识别人类基因与疾病之间未观测到的关联。我们的实验结果说明了所提模型在真实世界数据集上的性能。此外，我们发现与基线模型相比，所得的低秩解提高了训练和测试的计算可扩展性。