محبوبترین نویسندگان :
نویسندگان مقالات پربازدید :
یادگیری ماشین 2013
جزئیات رویداد
اینستاگرام تی پی بین
همایش ، رویداد ، ژورنال
حوزه های تحت پوشش رویداد

  • variational bayesian sparse additive matrix factorization

    نویسندگان :
    کلمات کلیدی :
    جزئیات بیشتر مقاله
    • تاریخ ارائه: 1392/07/24
    • تاریخ انتشار در تی پی بین: 1392/07/24
    • تعداد بازدید: 993
    • تعداد پرسش و پاسخ ها: 0
    • شماره تماس دبیرخانه رویداد: -
     principal component analysis (pca) approximates a data matrix with a low-rank one by imposing sparsity on its singular values. its robust variant can cope with spiky noise by introducing an element-wise sparse term. in this paper, we extend such sparse matrix learning methods, and propose a novel framework called sparse additive matrix factorization (samf). samf systematically induces various types of sparsity by a bayesian regularization effect, called model-induced regularization. although group lasso also allows us to design arbitrary types of sparsity on a matrix, samf, which is based on the bayesian framework, provides inference without any requirement for manual parameter tuning. we propose an efficient iterative algorithm called the mean update (mu) for the variational bayesian approximation to samf, which gives the global optimal solution for a large subset of parameters in each step. we demonstrate the usefulness of our method on benchmark datasets and a foreground/background video separation problem.

سوال خود را در مورد این مقاله مطرح نمایید :

با انتخاب دکمه ثبت پرسش، موافقت خود را با قوانین انتشار محتوا در وبسایت تی پی بین اعلام می کنم
مقالات جدیدترین رویدادها
مقالات جدیدترین ژورنال ها