SILVar：单指数潜变量模型
摘要：在存在潜在变量的情况下，引入了半参数的非线性回归模型。这些潜在变量可以对应复杂网络系统中未建模的现象或未测量的元素。这种新的表达方式允许联合估计系统中的某些非线性、测量变量之间的直接相互作用，以及未建模元素对观察到的系统的影响。采用的模型形式被证明是合理的，并将学习过程建立为正则化的经验风险最小化。这导致一类结构化的凸优化问题，具有“稀疏加低秩”特征。建立了所提出模型与几种常见模型范例之间的关系，如鲁棒主成分分析（PCA）和向量自回归（VAR）。特别是在VAR设置中，低秩贡献可以来自时间序列中呈现的广泛趋势。介绍了学习模型的算法细节。实验证明了模型和估计算法在模拟和实际数据上的性能。
作者：Jonathan Mei and Jos''e M.F. Moura
论文ID：1705.03536
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-06-29