开发工具:
文件大小: 589kb
下载次数: 0
上传时间: 2021-03-12
详细说明：低阶矩阵分解例如主成分分析（PCA），奇异值分解（SVD）和非负矩阵分解（NMF）是追求给定数据矩阵低阶近似的一大类方法。 传统的分解模型基于以下假设：数据矩阵被某种类型的噪声随机污染。 因此，可以通过最大似然（ML）估计或最大后验（MAP）获得低秩分量的点估计。 在过去的十年中，出现了各种低秩矩阵分解的概率模型。 低秩矩阵分解与它们相应的概率模型之间最显着的区别是后者将低秩分量视为随机变量。 本文对低秩矩阵分解的概率模型进行了调查。 首先，我们回顾了低秩矩阵分解的概率模型中常用的一些概率分布，并介绍了一些概率分布的共轭先验以简化贝叶斯推断。 然后，我们为概率低秩矩阵分解提供了两种主要的推理方法，即吉布斯采样和变分贝叶斯推理。 接下来，我们将低秩矩阵分解的重要概率模型大致分为几类，并分别进行回顾。 这些类别通过不同的矩阵分解公式来执行，这些公式主要包括PCA，矩阵分解，鲁棒PCA，NMF和张量分解。 最后，我们讨论了将来需要研究的研究问题。
(系统自动生成,下载前可以参看下载内容)
下载文件列表
相关说明
- 本站资源为会员上传分享交流与学习,如有侵犯您的权益,请联系我们删除.
- 本站是交换下载平台，提供交流渠道，下载内容来自于网络，除下载问题外，其它问题请自行百度。
- 本站已设置防盗链，请勿用迅雷、QQ旋风等多线程下载软件下载资源，下载后用WinRAR最新版进行解压.
- 如果您发现内容无法下载，请稍后再次尝试；或者到消费记录里找到下载记录反馈给我们.
- 下载后发现下载的内容跟说明不相乎，请到消费记录里找到下载记录反馈给我们，经确认后退回积分.
- 如下载前有疑问，可以通过点击"提供者"的名字，查看对方的联系方式，联系对方咨询.
