神经网络矩阵分解的变分推断及其在随机块模型中的应用
机器学习
2019-08-16 v3 机器学习
摘要
我们考虑神经网络矩阵分解（Dziugaite & Roy, 2015）的概率类比，其由贝叶斯神经网络构造并用变分推断拟合。我们发现，在 Movielens 数据集上，用变分推断拟合的线性模型可达到与常规神经网络变体同等的预测性能。我们讨论了该结果的含义，包括对使用神经网络构造以及变分推断方法之优劣的一些建议。然而，在考虑重要的随机块模型类时，此类概率方法是必需的。我们描述了一种具有非参数块结构的神经网络矩阵分解模型的变分推断算法，并在 NIPS 合著数据集上评估了其性能。
引用
@article{arxiv.1905.04502,
title = {Variational inference for neural network matrix factorization and its application to stochastic blockmodeling},
author = {Onno Kampman and Creighton Heaukulani},
journal= {arXiv preprint arXiv:1905.04502},
year = {2019}
}
备注
In proceedings of the 2019 ICML Workshop on Learning and Reasoning with Graph-Structured Representations, Long Beach, USA