基于矩阵变量 $t$ 分布的鲁棒双线性因子分析
内容提要
本文综述矩阵与张量分解的概率模型研究，涵盖负二项因子分析、混合成员模型与高效吉布斯采样、高维混合因子分析、矩阵分解的可实现性与计算可处理性、有限域矩阵分解的多项式时间近似算法、半定规划的非线性秩受限因子分析、分布式非线性张量分解，以及Gamma过程动态泊松因子分析、布尔矩阵分解概率模型OrMachine和贝叶斯时间分解框架。
延伸解读
从负二项到动态泊松：概率因子模型的演进脉络
文章梳理了多种概率矩阵/张量分解模型，从负二项因子分析（NBFA）解决泊松分布对协变量自重复和激发关系的局限，到Gamma过程动态泊松因子分析用于文本和音乐分析。这些模型共同关注如何用更灵活的分布刻画计数数据的过离散和动态性，读者可从中看到概率建模在应对实际数据特征时的迭代思路。
计算可处理性：理论边界与算法效率的平衡
文章提及矩阵分解的可实现性与计算可处理性分析，以及有限域上GF(p)-矩阵分解的多项式时间近似算法。前者从统计力学角度给出贝叶斯最优推断下最小均方误差的理论边界，后者则针对实践启发式提出有理论保证的近似方案。这提示读者，矩阵分解研究不仅追求模型精度，也在探索计算复杂性与近似质量的权衡。
贝叶斯推断与采样：从吉布斯到并行MCMC
多个工作聚焦于高效推断：混合成员模型采用阻塞吉布斯采样器实现快速收敛和低复杂度；OrMachine为布尔矩阵分解推导Metropolised Gibbs采样器，实现并行后验推断并扩展到百万级细胞数据；BTF框架开发Gibbs采样进行缺失值下的时间序列建模。这些案例表明，采样算法的设计直接影响模型在大规模数据上的可行性。
应用场景的多样性：从异常检测到协同过滤
文章列举的应用包括高维混合因子分析用于图像样本生成和异常检测、分布式非线性张量分解用于CTR预测、OrMachine用于协同过滤控制假阳性率、BTF用于缺失数据滚动预测。这些场景覆盖了生成、预测和可解释性需求，说明矩阵/张量分解概率模型在不同任务中需结合具体目标选择或调整模型结构。
Q&A
负二项因子分析（NBFA）是为了解决泊松分布的什么局限性？
泊松分布难以捕捉协变量在样本中自我重复以及与其他协变量之间的激发关系，NBFA通过构造负二项分析来解决这一局限，并利用分层伽马负二项过程支持数不尽的因素。
高维混合因子分析（MFA）模型是如何高效训练的？
通过随机梯度下降方法，针对高维数据提出了一种高效的MFA模型训练方法，并利用MFA应用于图像数据集进行样本生成和异常检测。
矩阵分解问题的可实现性和计算可处理性是如何分析的？
使用统计力学工具进行分析，在贝叶斯最优推断设置下计算任意计算时间内可能实现的最小均方误差，以及有效近似迭代推理算法可以达到的误差。
OrMachine模型是什么？它有什么优势？
OrMachine是一种用于布尔矩阵分解的概率生成模型，推导出马尔科夫链蒙特卡罗（Metropolised Gibbs）采样器，实现高效的并行后验推断，在真实世界和模拟数据上优于现有方法，首次为布尔矩阵分解提供完整的后验推断，在协同过滤中控制假阳性率并提高推断模式的可解释性。
贝叶斯时间分解（BTF）框架如何处理缺失值下的多维时间序列？
BTF框架将低秩矩阵/张量分解和向量自回归（VAR）过程集成到一个概率图模型中，表征大规模时间序列数据中的全局和局部一致性，并开发了有效的Gibbs采样算法进行模型推断和预测，在多个缺失数据和滚动预测任务上验证了显著优越性。
Gamma过程动态泊松因子分析模型是如何推断Gamma形状参数的？
通过建立一个新的马尔科夫链来推断Gamma形状参数，应用于文本和音乐分析，取得最先进的结果。
