VarFA：一种用于高效贝叶斯学习分析的可变因子分析框架
机器学习
2020-08-18 v2 计算机与社会
机器学习
应用统计
摘要
我们提出 VarFA，一种变分推断因子分析框架，它将现有的用于教育数据挖掘的因子分析模型进行扩展，以高效输出模型估计因子中的不确定性估计。此类不确定性信息非常有用，例如在自适应测试场景中，若模型对学生在技能水平上的估计不太确定，则可施测额外的测试。产生此类不确定性信息的传统贝叶斯推断方法计算代价高昂，且无法扩展到大型数据集。VarFA 利用变分推断，使得即使在非常大的数据集上也能高效地进行贝叶斯推断。我们以稀疏因子分析模型作为案例研究，并在合成与真实数据集上展示了 VarFA 的有效性。VarFA 还具有很强的通用性，可应用于广泛的因子分析模型。
引用
@article{arxiv.2005.13107,
title = {VarFA: A Variational Factor Analysis Framework For Efficient Bayesian Learning Analytics},
author = {Zichao Wang and Yi Gu and Andrew Lan and Richard Baraniuk},
journal= {arXiv preprint arXiv:2005.13107},
year = {2020}
}
备注
edm 2020