用于过分散计数数据的广义泊松矩阵分解

Research Paper#Machine Learning, Matrix Factorization, Count Data, Overdispersion🔬 Research|分析: 2026年1月3日 08:53•
发布: 2025年12月31日 03:51
•
1分で読める
•ArXiv

分析

本文解决了现有非负矩阵分解 (NMF) 模型的局限性，特别是基于泊松分布和负二项分布的模型在处理过分散计数数据时的局限性。作者提出了一种新的 NMF 模型，该模型使用广义泊松分布，在处理过分散方面提供了更大的灵活性，并提高了 NMF 在更广泛的计数数据场景中的适用性。核心贡献是在这个新框架内引入了用于参数估计的最大似然方法。
引用 / 来源
查看原文
"The paper proposes a non-negative matrix factorization based on the generalized Poisson distribution, which can flexibly accommodate overdispersion, and introduces a maximum likelihood approach for parameter estimation."
A
ArXiv2025年12月31日 03:51
* 根据版权法第32条进行合法引用。
较旧

LLM Inference Handbook

较新

Coconut by Meta AI – Better LLM Reasoning with Chain of Continuous Thought?

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv