1

我按照Edward's repoR = U'V中的示例实现了一个概率矩阵分解模型 ( ) ：

# data
U_true = np.random.randn(D, N)
V_true = np.random.randn(D, M)
R_true = np.dot(np.transpose(U_true), V_true) + np.random.normal(0, 0.1, size=(N, M))

# model
I = tf.placeholder(tf.float32, [N, M])
U = Normal(loc=tf.zeros([D, N]), scale=tf.ones([D, N]))
V = Normal(loc=tf.zeros([D, M]), scale=tf.ones([D, M]))
R = Normal(loc=tf.matmul(tf.transpose(U), V), scale=tf.ones([N, M]))

在预测矩阵中的数据时，我得到了很好的表现R。但是，当我评估 和 中的推断特征时U，V误差变化很大并且可能会变得非常高。

我尝试使用小维度（例如 2）的潜在空间并检查潜在特征是否不是简单地排列。它们有时会被置换，但即使在重新对齐它们之后，错误仍然很重要。

抛出一些数字：对于从正态分布（均值 0 和方差 1）生成的合成矩阵，我可以实现 0.003 的平均绝对误差，R但通常在0.5 左右。UVRUV

我知道这个模型是对称的，但我不确定它的含义。我想问一下：

  1. 是否真的有可能以某种方式保证原始潜在特征的恢复？
  2. 如果是这样，如何实现，最好使用 Edward？
4

0 回答 0