基于变分自编码器的贝叶斯泊松张量分解用于稀疏不平衡计数数据
机器学习
2020-12-15 v2 机器学习
摘要
非负张量分解模型支持对计数数据的预测分析。其中，贝叶斯泊松-伽马模型可推导潜因子的完整后验分布，且对稀疏计数数据较不敏感。然而，这些贝叶斯模型的当前推断方法对后验参数采用受限的更新规则，且未能共享更新信息以更好地应对数据稀疏性。此外，这些模型未配备处理计数数据值不平衡的组件。本文提出一种称为VAE-BPTF的新型变分自编码器框架，以解决上述问题。它使用多层感知机网络编码并共享复杂的更新信息。随后，按数据实例对编码信息进行重新加权，以在计算潜因子的后验参数前惩罚常见数据值。在合成数据评估下，VAE-BPTF倾向于恢复正确数量的潜因子与后验参数值。在五个真实数据集上，其在重构误差与潜因子（语义）一致性方面均优于当前模型。进一步，定性分析表明VAE-BPTF推断的潜因子被认为是有意义且一致的。
引用
@article{arxiv.1910.05570,
title = {Variational Auto-encoder Based Bayesian Poisson Tensor Factorization for Sparse and Imbalanced Count Data},
author = {Yuan Jin and Ming Liu and Yunfeng Li and Ruohua Xu and Lan Du and Longxiang Gao and Yong Xiang},
journal= {arXiv preprint arXiv:1910.05570},
year = {2020}
}