LowRankModels公司

jl是一个用于建模和拟合广义低阶模型(GLRMs)的julia包。GLRMs通过低秩矩阵对数据数组进行建模,并在数据分析中包含了许多著名的模型,如主成分分析(PCA)、矩阵完备化、鲁棒PCA、非负矩阵因子分解、k均值等。有关GLRMs的更多信息,请参阅我们的论文。这个包有一个python接口,在H2O机器学习平台中有一个GLRM实现,它有多种语言的接口。lwlankmodels.jl可以很容易地混合和匹配损失函数和正则化器,以构建适合特定数据集的模型。特别是,它支持:对数据数组的不同列使用不同的损失函数,这在数据类型是异构的(如实数列、布尔列和序数列)时非常有用;只将模型拟合到表中的一些条目,这对于包含许多缺失(未观察到)条目的数据表非常有用;以及在不破坏稀疏性的情况下向模型中添加偏移和缩放,这在数据缩放不良时很有用。


zbMATH中的参考文献(参考 21篇文章 引用,1标准件)

显示第1到第20个结果,共21个。
按年份排序(引用)
  1. Aggarwal,Charu C.:机器学习的线性代数与优化。教科书(2020)
  2. 位移重建(Ma-rank,Florian-2020)
  3. Hong,David;Kolda,Tamara G.;Duersch,Jed A.:广义正则多元张量分解(2020)
  4. Landgraf,Andrew J.;Lee,Yoonkyung:通过自然参数投影对二进制数据进行降维(2020年)
  5. 李新荣;修,奈华;周生龙:低阶谱集上的矩阵优化:平稳点与局部和全局最小值(2020)
  6. Robin,Geneviève;Klopp,Olga;Josse,Julie;Moulines,èric;Tibshirani,Robert:混合和不完整数据帧中的主要影响和相互作用(2020年)
  7. Alaya,Mokhtar Z.;Klopp,Olga:集体矩阵完成(2019年)
  8. Bai,Jushan;Ng,Serena:近似因子模型的秩正则化估计(2019)
  9. Balcan,Maria Florina;Liang,Yingyu;Song,Zhao;Woodruff,David P.;Zhang,Hongyang:通过强对偶实现非凸矩阵完备化及相关问题(2019)
  10. Daneshmand,Amir;Sun,Ying;Scutari,Gesualdo;Facchinei,Francisco;Sadler,Brian M.:时变有向图上的分散字典学习(2019)
  11. 德里克·德里格斯(Driggs)、斯蒂芬·贝克尔(Becker)、阿拉夫金(Aravkin)和亚历克桑德(Aleksandr):为并行架构调整正则化低阶模型(2019年)
  12. Gillis,Nicolas;Shitov,Yaroslav:无穷范数下的低秩矩阵逼近(2019)
  13. Fithian,William;Mazumder,Rahul:具有缺失数据和辅助信息的灵活低阶统计建模(2018)
  14. Liu,Lydia T.;Dobriban,Edgar;Singer,Amit:(e)PCA:高维指数家族PCA(2018)
  15. Luo,Chongliang;Liang,Jian;Li,Gen;Wang,Fei;Zhang,Changshui;Dey,Dipak K.;Chen,Kun:通过降阶模型利用混合和不完全结果(2018)
  16. Yang,Lei;Pong,Ting Kei;Chen,Xiaojun:一类矩阵分解问题的非单调交替更新方法(2018)
  17. Bigot,Jérémie;Deledale,Charles;Féral,Delphine:低秩矩阵去噪中奇异值最优收缩的广义确定(2017)
  18. Dutta,Aritra;Li,Xin:关于矩阵的加权低秩逼近问题(2017)
  19. William Fithian;Josse,Julie:多重对应分析与multilogit双线性模型(2017)
  20. Josse,Julie;Wager,Stefan:基于Bootstrap的正则化用于低秩矩阵估计(2016)