使用加权张量分解学习具有部分数据的潜变量
摘要：张量分解方法是学习潜在变量的常用工具，仅给出数据的低阶矩。然而，标准假设是我们拥有足够的数据来对这些矩进行高精度估计。在这项工作中，我们考虑的情况是数据的某些维度并不总是被观察到——这在应用场景中很常见，因为并不是所有的观测都会进行所有的测量——这会导致矩的估计质量不同。我们提出了一种加权张量分解方法，其计算效率与非加权方法相当，并证明它优于那些没有适当利用这些较少被观察到维度的方法。
作者：Omer Gottesman, Weiwei Pan, Finale Doshi-Velez
论文ID：1710.06818
分类：Machine Learning
分类简称：stat.ML
提交时间：2019-03-13