BPMF论文辅助笔记: 固定U,更新θU 部分推导
该部分是辅助论文笔记 Bayesian Probabilistic Matrix Factorizationusing Markov Chain Monte Carlo (ICML 2008)_UQI-LIUWJ的博客-CSDN博客 的3.3.1小节
1 多元高斯分布&威沙特分布
复习一下多元高斯分布的概率密度函数:
复习一下威沙特分布的概率密度函数
概率统计笔记:威沙特分布(Wishart Distribution)_UQI-LIUWJ的博客-CSDN博客
2 推导
固定U,采样,按照概率进行采样
利用条件概率性质,我们可以用已知的条件概率来计算:
由于此时U已知,故p(U)为常量
右侧第一项是一个高斯分布,第二项是高斯分布和威沙特分布的乘积。
2.1 第一项的展开
先看第一项:
所以 可以看成是N个高斯分布的乘积
2.2 第二项的展开
再看第二项
我们拆成高斯分布的概率密度和威沙特分布的概率密度:
2.2.1 高斯分布
高斯分布的概率密度:
2.2.2 威沙特分布
威沙特分布的概率密度:
2.3 合并
去掉不需要的系数项,我们有:
我们希望通过采样得到的 ()也满足高斯威沙特分布:
也就是我们也就是我们希望找到一组B1,B2
使得
2.4 求值
2.4.1 v0*
我们考虑等号两边的指数:
2.4.2 β0*
我们考虑指数中的项的系数 :
2.4.3 μ0*
- 我们考虑指数中的项的系数
2.4.4 W*
至于W*,就比较繁琐
至于W*,就比较繁琐
我们先回顾两个求导的知识
线性代数笔记:标量、向量、矩阵求导_UQI-LIUWJ的博客-CSDN博客
于是我们对(A1+A2+A3)和(B1+B2)的指数项关于求导
先看A这边的
A1指数项求完导是(由于都有-1/2,所以我都约去):
A2指数项求完导是
A2指数项求完导是
再看B这边的:
B1指数项求完导是:
B2指数项求完导是
于是我们有:
+
=++(1)
而在前面我们已经得到:
代入进去,有:
(2)
现在就是剩下的部分怎么算了:
展开消元即可
3 用共轭分布考虑
在这里,我们有p(U)【多元正态分布】和p(U|θ)【高斯威沙特分布】,而高斯威沙特分布是多元高斯分布在μ和精度矩阵都不知道的情况下的共轭先验
所以p(θ|U)也是高斯威沙特分布,有:
BPMF论文辅助笔记: 固定U,更新θU 部分推导相关推荐
- BPMF论文辅助笔记:采样Ui 部分推导
该部分是论文笔记 Bayesian Probabilistic Matrix Factorizationusing Markov Chain Monte Carlo (ICML 2008)_UQI-L ...
- 论文辅助笔记(代码实现):Bayesian Probabilistic Matrix Factorizationusing Markov Chain Monte Carlo
1 主要思路回顾 具体可见:论文笔记 Bayesian Probabilistic Matrix Factorizationusing Markov Chain Monte Carlo (ICML 2 ...
- TAS-LR 论文辅助笔记 图拉普拉斯正则项推导
1 图拉普拉斯正则项的直观目标函数 我们已知一张图G的邻接矩阵A,和度矩阵D,那么我们就知道他的拉普拉斯矩阵L=D-A 在使用矩阵分解的时空数据补全问题中,有一些文献使用图拉普拉斯正则化项来对空间特征 ...
- 论文笔记|固定效应的解释和使用
DeHaan E. Using and interpreting fixed effects models[J]. Available at SSRN 3699777, 2021. 虽然固定效应在金融 ...
- 论文阅读笔记——VulDeePecker: A Deep Learning-Based System for Vulnerability Detection
本论文相关内容 论文下载地址--Engineering Village 论文中文翻译--VulDeePecker: A Deep Learning-Based System for Vulnerabi ...
- 论文阅读笔记:Improving Attacks on Speck32 / 64 using Deep Learning
论文阅读笔记:Improving Attacks on Speck32 / 64 using Deep Learning 本文通过神经网络利用了减少轮数的 Speck 的差分性质.为此,作者对神经网络 ...
- 《使用图LSTM进行语义对象解析》--论文阅读笔记
Semantic Object Parsing with Graph LSTM原文 GraphSage代码阅读笔记(TensorFlow版)目录 摘要 1.介绍 2 Related Work 3 Th ...
- 《Semantic Object Parsing with Graph LSTM》--论文阅读笔记
Semantic Object Parsing with Graph LSTM原文 GraphSage代码阅读笔记(TensorFlow版)目录 摘要 1.介绍 2 Related Work 3 Th ...
- Learning Multiview 3D point Cloud Registration论文阅读笔记
Learning multiview 3D point cloud registration Abstract 提出了一种全新的,端到端的,可学习的多视角三维点云配准算法. 多视角配准往往需要两个阶段 ...
最新文章
- 美团外卖美食知识图谱的迭代及应用
- 构建基于AgileEAS.NET应用开发平台的简单应用程序
- K8S面试大通关!赶紧收藏!
- 如此火爆的ZooKeeper,到底如何选主?
- 运维与自动化系列③自动化部署基础与shell脚本实现
- 18个不可不知的有用潜规则
- hibernate之CRUD操作
- 伸缩杆怎么缩回去图解_没有阳台怎么晾衣服?这10个神器,让家里衣物晾晒更轻松方便...
- tensorboard 1.14.0 has requirement setuptools>=41.0.0, but you‘ll have setuptools 40.2.0
- 利用selenium模块配合chromedriver把html文件转换为图片
- vue中v-for的使用以及注意事项
- qgraphicsview鼠标移动图片_交互式QGraphicsView(平移/缩放/旋转)-阿里云开发者社区...
- 人民币对美元汇率中间价报6.7592元 上调23个基点
- LCD1602显示中文汉字
- 【除夕】春晚,我只要红包(内附节目单)
- Codeforces Round #363 (Div. 2) B. One Bomb(思维题目)
- 用c++两个分数相加并且化简成最简形式,通过类来完成。思想是:求出两个数的最大公约数用来化简和求最大公倍数,具体公式代码中见
- linux sbit用法,Linux Stick BIT(SBIT)文件特殊权限用法详解
- 我为什么鼓励你读计算机博士
- 可爱符号可爱符号可爱符号