基于全局-局部先验的免调秩稀疏贝叶斯矩阵与张量补全
统计方法学
2019-05-29 v1
摘要
矩阵与张量补全是广泛问题（包括协同过滤、缺失数据与图像重建）的框架。缺失项通过利用矩阵或张量为低秩的假设来估计。大多数现有贝叶斯技术通过对因子化矩阵与张量建模Normal-Gamma先验来鼓励秩稀疏性。然而，Horseshoe先验与其他“全局-局部”公式提供了免调参解决方案，可更好地同时实现秩稀疏性与缺失值恢复。我们发现这些全局-局部先验在模拟与预测桌游评分的协同过滤任务中优于常用替代方法。
引用
@article{arxiv.1905.11496,
title = {Tuning Free Rank-Sparse Bayesian Matrix and Tensor Completion with Global-Local Priors},
author = {Daniel E. Gilbert and Martin T. Wells},
journal= {arXiv preprint arXiv:1905.11496},
year = {2019}
}