PulseAugur
中
实时 08:59:16
English(EN) Latent Structural Categorical Matrix Completion with Application to Quasispecies Analysis

新的LCMC方法改进了分类矩阵补全

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为潜在结构分类矩阵补全（LCMC）的新方法，以应对具有分类数据的矩阵补全挑战。LCMC通过在二进制张量表示中将分类条目编码为独热向量来利用潜在因子化方法。该框架包括自适应潜在维度估计和张量分解，并得到理论分析的支持。在合成和真实病毒拟种群数据上的实验表明，LCMC在准确性和效率方面优于现有方法。 AI

排序理由 该集群包含一篇详细介绍分类矩阵补全新方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Qian Zhang, Meixia Lin ·

    基于潜在结构分类矩阵补全的拟种群分析应用

    arXiv:2606.08188v1 Announce Type: cross Abstract: Matrix completion has been extensively studied for real-valued data, but existing methods are often limited in handling categorical variables. We propose LCMC, a double-loop optimization framework for categorical matrix completion…

相关话题