We consider the problem of uncertainty quantification (UQ) for an unknown low-rank matrix $\mathbf{X}$, given a partial and noisy observation of its entries. This quantification of uncertainty is essential for many real-world problems, including image processing, satellite imaging, and seismology, providing a principled framework for validating scientific conclusions and guiding decision-making. However, existing literature has largely focused on the completion (i.e., point estimation) of the matrix $\mathbf{X}$, with little work on exploring the uncertainty of such estimates. To this end, we propose in this work a new Bayesian modeling framework, called BayeSMG, which parametrizes the unknown $\mathbf{X}$ via its underlying row and column subspaces. This Bayesian subspace parametrization allows for efficient posterior inference on matrix subspaces (which represent interpretable phenomena in many applications), which can then be leveraged for improved matrix recovery. We demonstrate the effectiveness of BayeSMG over existing Bayesian matrix recovery methods in extensive numerical experiments and a seismic sensor network application.


翻译:我们认为,鉴于对一个未知的低级矩阵($\mathbf{X})进行局部和紧张的观察,不确定性的量化问题(UQ)是一个未知的低级矩阵($\mathbf{X})的问题。这种不确定性的量化对于许多现实世界问题至关重要,包括图像处理、卫星成像和地震学,为验证科学结论和指导决策提供了一个原则框架。然而,现有文献主要侧重于矩阵($\mathbf{X})的完成(即点估测),很少探讨这种估算的不确定性。为此,我们提议在这项工作中建立一个称为Bayesian模型的新框架,称为BayeSMG, 它通过其基本行和柱体次空间对未知的美元进行假称。这种巴耶斯次空间的相近光谱化使得对矩阵子空间(在许多应用中代表可解释的现象)的有效外推力得以利用,从而改进矩阵的恢复。我们通过广泛的数字实验和地震网络应用,展示了BaySMG相对于现有的贝斯矩阵恢复方法的有效性。

0
下载
关闭预览

相关内容

专知会员服务
42+阅读 · 2020年12月18日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【KDD2020教程】多模态网络表示学习
专知会员服务
129+阅读 · 2020年8月26日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
已删除
将门创投
4+阅读 · 2018年11月6日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
机器学习线性代数速查
机器学习研究会
19+阅读 · 2018年2月25日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年3月5日
Arxiv
0+阅读 · 2021年3月4日
Arxiv
4+阅读 · 2018年1月15日
VIP会员
相关资讯
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
已删除
将门创投
4+阅读 · 2018年11月6日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
机器学习线性代数速查
机器学习研究会
19+阅读 · 2018年2月25日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员