A Bayesian Approach to Modelling Longitudinal Data in Electronic Health Records
University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of California Los Angeles（加州大学洛杉矶分校）
分析电子健康记录（EHR）带来了重大挑战，因为通常很少有样本可以描述患者的健康状况，并且在可用时，其信息内容高度多样化。我们考虑的问题是如何整合稀疏采样的纵向数据，缺失的测量信息的基础健康状况和固定的人口统计信息，以产生估计的生存分布更新通过患者的后续行动。我们提出了一个非参数概率模型，生成生存轨迹的贝叶斯树，学习变量的相互作用随着时间的推移，而无需事先指定的纵向过程的合奏。我们显示了原发性胆汁性肝硬化患者数据的性能改善。
2019-12-19 cs.LG stat.AP stat.ML
Bayesian models for data missing not at random in health examination surveys
在流行病学调查中，由于调查无应答而导致的数据非随机非随机缺失（MNAR）可能会导致风险因子估计值的偏倚。我们提出了一种基于贝叶斯数据增强和生存建模的方法，以减少无应答偏倚。这一方法需要基于后续数据的更多信息。我们使用1972年至2007年收集的FINRISK数据进行了一项吸烟流行率的案例研究，并将其与其他常用的随机缺失（MAR）插补方法进行了比较。仿真实验验证了该方法的有效性。我们的方法似乎大大减少了无响应偏差，而MAR插补在减少偏差方面并不成功。
2017-08-28 stat.AP stat.ME
Tuning Free Rank-Sparse Bayesian Matrix and Tensor Completion with Global-Local Priors
矩阵和张量补全是一系列问题的框架，包括协同过滤、缺失数据和图像重建。通过利用矩阵或张量是低秩的假设来估计缺失的条目。大多数现有的贝叶斯技术鼓励秩稀疏建模因子分解矩阵和张量与正常伽玛先验。然而，马蹄事先和其他“全球本地”配方提供调谐参数的解决方案，可以更好地实现同时秩稀疏和丢失值的恢复。我们发现这些全球本地先验优于常用的替代品在模拟和协同过滤任务预测棋盘游戏评级。
2019-05-27 stat.ME
Efficient Bayesian Nonparametric Modelling of Structured Point Processes
本文提出了一个贝叶斯生成模型依赖Cox点过程，旁边的一个有效的推理方案，规模，如果点过程独立建模。我们可以自然地处理缺失数据，推断潜在结构，并处理大量观察到的过程。另一个新的贡献，使模型有效地工作在高维空间。使用这种方法，我们在2D和1D真实数据上实现了极大的预测性能，验证了我们的结构化方法。
2014-07-25 stat.ML
Gaussian Processes for Music Audio Modelling and Content Analysis
Queen Mary University of London（伦敦玛丽女王大学）
真正的音乐信号是高度可变的，但它们具有强大的统计结构。关于声音产生的基本物理机制和构建复杂声音结构的规则（音符，和弦，完整的乐谱）的先验信息可以使用贝叶斯建模技术自然统一。通常，自动音乐转录的算法独立地执行单个任务，例如多个F0检测和节拍跟踪。挑战仍然是执行所有参数的联合估计。我们提出了一种贝叶斯方法来建模音乐音频和内容分析。所提出的方法的基础上高斯过程寻求联合估计的多个音乐概念，通过合并到内核先验信息的非平稳行为，动态，和丰富的频谱内容中存在的建模音乐信号。我们说明了这种方法的好处，通过两个任务：音高估计，并推断丢失的段在复调录音。
2016-06-10 cs.SD stat.ML
A Bayesian Longitudinal Model for Imputing Item-Level Missing Data in Trial-Based Economic Evaluations
University College London（伦敦大学学院）；University of Oxford（牛津大学）；Maastricht University（马斯特里赫特大学）
针对基于试验的卫生经济学评价中项目级缺失数据的统计挑战，本文提出一种适配复杂特征的贝叶斯纵向插补模型，经真实试验验证了其灵活性与适用性。
2026-08-28 stat.ME
A Bayesian Approach for Nonignorable Dropout in Bivariate Longitudinal Models
Maastricht University（马斯特里赫特大学）；University of Florida（佛罗里达大学）；University College London（伦敦大学学院）
提出贝叶斯非参数方法处理双变量纵向数据中的非随机缺失，通过联合建模各响应的退出过程并利用识别约束处理数据复杂性，应用于成本效果评估。
2026-06-25 stat.ME
Modelling variability in vibration-based PBSHM via a generalised population form
University of Sheffield（谢菲尔德大学）；The Alan Turing Institute（艾伦·图灵研究所）
结构健康监测（SHM）在过去的三十年里一直是一个活跃的研究领域，并在此期间积累了一些关键的进展，可以在文献中看到。然而，由于损伤状态数据的缺乏、操作和环境波动、可重复性问题以及边界条件的变化，SHM仍然面临挑战。这些问题表现为捕获的功能不一致，可能对实际实现产生巨大影响，但更重要的是，对技术的推广产生巨大影响。人口为基础的SHM已被设计为解决这些问题的建模和传输缺失的信息，使用从类似结构的群体收集的数据。在这项工作中，振动数据收集从四个健康的，名义上相同的，全尺寸复合材料直升机叶片。制造差异（例如，几何形状和/或材料特性的微小差异），在叶片之间呈现为它们的结构动力学的可变性，这对于基于来自振动数据的机器学习的SHM来说可能是非常有问题的。这项工作的目的是解决这种变异性，通过定义一个通用模型的叶片的频率响应函数，称为形式，使用高斯过程的混合物。
2022-08-30 cs.LG eess.SP stat.AP
Bayesian semiparametric modelling of covariance matrices for multivariate longitudinal data
本文开发了多变量纵向响应的边际模型。总体而言，该模型由五个回归子模型组成，一个用于平均值，四个用于协方差阵，后者是通过考虑各种矩阵分解得到的。我们采用的分解是直观的，易于理解的，并且它们不依赖于任何假设，例如多变量响应之间存在排序。回归子模型是半参数的，未知函数由基函数展开表示。我们使用spike-slap先验的回归系数，以实现变量的选择和功能的正则化，并获得参数估计，考虑模型的不确定性。提出了一种有效的后验抽样马尔可夫链蒙特卡罗算法。模拟研究调查先验对后验的影响，当考虑多变量纵向分析而不是单变量分析时可能会获得的收益，以及这些收益是否可以抵消缺失数据的负面影响。我们将这些方法应用于一个高度不平衡的纵向数据集，该数据集在20年的时间内观察到四个响应
2020-12-17 stat.ME
Deep Generalised Mixed Models: a Novel Neural Network Structure for Analysing Hierarchical Data
Erasmus University Medical Center（伊拉斯姆斯大学医学中心）；Erasmus University Rotterdam（伊拉斯姆斯大学鹿特丹分校）
该研究针对ESM数据的缺失偏差与高维挑战，提出深度广义混合模型，结合变分自编码器与贝叶斯数据增广算法，在随机缺失数据下实现有效推断，经GrowIt！研究及模拟验证具应用潜力。
2026-08-10 cs.LG stat.ML
Joint data imputation and mechanistic modelling for simulating heart-brain interactions in incomplete datasets
Inria（法国国家信息与自动化技术研究所）；Université Côte d’Azur（蔚蓝海岸大学）；PhySense（PhySense公司）；Department of Information and Communication Technologies（信息与通信技术系）；Universitat Pompeu Fabra（庞培法布拉大学）
针对临床多模态数据缺失导致机制模型受限的问题，提出一种联合心脏数据插补与心血管机制模型个性化的概率变分框架，在UK Biobank上实现了缺失特征的准确插补，支持心脑交互关系的模拟探索。
2020-10-08 cs.AI cs.LG stat.ML
A Full Bayesian Model to Handle Structural Ones and Missingness in Economic Evaluations from Individual-Level Data
根据个人数据进行经济评价是技术评估过程的一个重要组成部分，目的是为资源分配决定提供信息。这些分析中的一个关键问题是，有效性和成本数据通常都存在一定的复杂性（如非正态性、峰值和缺失），应使用适当的方法加以解决。然而，在常规分析中，通常使用简单的标准化方法，可能导致有偏见的推论。我们提出了一个通用的贝叶斯框架，可以处理的复杂性。我们展示了使用我们的方法的好处，一个激励的例子，MenSS试验，其中有尖峰在一个有效性和缺失的两个结果。我们对比了一组日益复杂的模型，并进行了敏感性分析，以评估结论对一系列合理缺失假设的稳健性。本文强调了采用综合建模方法进行经济评估的重要性，以及在贝叶斯框架内构建这些复杂模型的战略优势。
2018-01-30 stat.AP
Bayes factors for partially observed stochastic epidemic models
研究了一类具有部分观测值的随机传染病模型的模型选择问题。我们主要关注的是贝叶斯因子的使用。虽然贝叶斯因子以前曾出现在流行病建模文献中，但它们可能很难计算，并且很少关注有关其效用的基本问题。在本文中，我们推导出完整的观察通过时间的贝叶斯因子的解析表达式，模型选择问题提出了实际的指导方针。我们扩展了计算贝叶斯因子的功率后验方法，以考虑缺失数据，并将这种方法应用于部分观察到的流行病。为了比较，我们还探讨了使用偏差信息标准的缺失数据的情况。该方法通过涉及模拟和真实数据的例子来说明。
2017-10-13 stat.CO stat.ME
Towards Gaussian processes modelling to study the late effects of radiotherapy in children and young adults with brain tumours
The University of Manchester（曼彻斯特大学）；The Christie NHS Foundation Trust（克里斯蒂NHS基金会信托）
本研究探讨了高斯过程（GP）建模在处理不规则的常规纵向监测数据方面的潜力，利用IGF-1测量值进行基于人群和个体的预测，以克服数据局限性并促进对脑肿瘤患者放疗晚期效应的分析。
2025-10-27 cs.LG stat.AP
Bayesian perspectives on exponential random graph models
School of Mathematics and Statistics, University College Dublin（都柏林大学学院数学与统计学院）
本文综述了贝叶斯指数随机图模型的推断方法，包括辅助变量MCMC、调整伪似然和变分方法，并讨论了模型选择及缺失数据、纵向动态等扩展。
2026-05-25 stat.CO stat.ME
Variance component mixture modelling for longitudinal T-cell receptor clonal dynamics
本文提出一种方差分量混合模型，用于在任意随访和缺失数据条件下区分T细胞受体克隆的动态与静态纵向变化，并通过EM算法估计参数，在前列腺癌队列中识别出转移导向放疗引起的克隆动态性显著增加。
2025-02-06 stat.ME
Inverse Bayesian Estimation of Gravitational Mass Density in Galaxies from Missing Kinematic Data
在本文中，我们专注于一种类型的反问题，其中的数据被表示为一个未知的函数的寻求和未知的模型函数（或其离散表示为模型参数向量）。特别是，我们处理训练数据不可用的情况。那么我们就不能用合适维数的高斯过程来建模数据与未知模型函数（或参数向量）之间的未知函数关系。提出了一种基于状态空间建模的贝叶斯方法。在该框架内，似然性用状态空间变量的概率密度函数（$pdf$）来表示，并且所寻找的模型参数向量被嵌入在该$pdf$的域内。由于可测量向量仅存在于系统状态空间的识别子体积内，因此状态空间变量的$pdf$被投影到可测量的空间上，并且根据投影的状态空间密度来写入似然;在与测量误差的分布卷积之后获得似然的最终形式。调用应用程序驱动的模糊先验，并计算给定数据的模型参数向量的后验概率密度。采用自适应MCMC算法进行后验样本的提取。该方法说明合成以及真正的银河系数据。
2014-01-06 astro-ph.GA stat.AP stat.ME
Implementation and Workflows for INLA-Based Approximate Bayesian Structural Equation Modelling
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Universiti Brunei Darussalam（文莱达鲁萨兰国大学）
本文提出INLAvaan包，通过集成嵌套拉普拉斯近似框架实现快速近似贝叶斯结构方程建模，展示了其在复杂模型中的高效性能。
2026-11-02 stat.CO
Bayesian hierarchical modelling approaches for combining information from multiple data sources to produce annual estimates of national immunization coverage
国家免疫覆盖率的估计对于指导国家免疫规划的政策和决策以及制定全球免疫议程至关重要。世卫组织和儿童基金会每年利用来自多个数据来源的信息和确定性计算逻辑方法，为各种疫苗剂量组合和所有世卫组织会员国编制国家免疫覆盖率估计数。然而，这种方法无法描述覆盖面测量和估计中固有的不确定性。它也没有提供统计原则的方法来利用和说明为多种疫苗、国家和时间点收集的免疫覆盖率数据的相互依赖性。在这里，我们开发贝叶斯分层建模方法，用于准确估计国家免疫覆盖率及其相关的不确定性。我们提出并探讨了两个候选模型：平衡数据单似然（BDSL）模型和不规则数据多似然（IDML）模型，这两个模型的不同之处在于处理缺失数据和表征与多个输入数据源相关的不确定性。我们提供了一个模拟研究，证明了所提出的模型产生的估计的高度准确性，这也表明，IDML模型是更好的模型。我们应用该方法对2000-2019年期间选定的疫苗剂量组合进行覆盖率估计。贡献的R包{ \tt imcover}在Stan编程语言中实现了无U形转弯采样器（NUTS），增强了该方法的实用性和可重复性。
2022-11-27 stat.ME
Bayesian Nonparametric Modelling of Joint Gap Time Distributions for Recurrent Event Data
我们提出了自回归贝叶斯半参数模型的等待时间之间的经常性事件。目的有两个：推断可能随时间变化的协变量对间隙时间的影响，并根据复发事件的时间轨迹对个体进行聚类。间隙时间之间的时间依赖性考虑到通过规范的自回归组件的随机效应参数影响的响应在不同的时间。自回归的顺序可以假设为未知和推断的对象，我们考虑两种替代方法来执行模型选择在这种情况下。协变量可以很容易地包含在回归框架中，删失和缺失数据也很容易解释。由于所提出的方法属于Dirichlet过程混合物类，因此可以通过高效的MCMC算法进行后验推理。我们说明了通过模拟和医疗应用程序，涉及癌症患者和连续的尿路感染复发住院治疗的方法。
2016-07-27 stat.AP
Analysis of Partially Observed Networks via Exponential-family Random Network Models
指数族随机网络（ERN）模型规定了网络和节点特性的二进制联合表示。这类模型允许将节点特性建模为随机过程，扩展了网络建模的指数族方法的范围和现实性。在本文中，我们开发了一个理论的推理ERN模型时，只有一部分的网络进行观察，以及特定的方法，缺失数据，包括不可重复的机制，基于网络的抽样设计和潜在的类模型。特别是，我们认为通过接触者追踪收集的数据对传染病流行病学和公共卫生相当重要。
2013-03-05 stat.ME
Prospective Prediction of Body Mass Index Trajectories using Multi-task Gaussian Processes
本研究使用多任务高斯过程模型MagmaClust，基于历史生长数据前瞻性预测儿童BMI轨迹，在准确性、鲁棒性和超重风险预测上优于传统模型。
2024-02-04 stat.AP
Disease Progression Modeling and Prediction through Random Effect Gaussian Processes and Time Transformation
统计方法的发展，为联合建模的成像，生化和临床生物标志物的时间变化是至关重要的，以提高对神经退行性疾病的理解，并提供一个参考的预测和量化的病理在看不见的个人。尽管如此，使用疾病进展模型进行概率预测仍然需要研究，例如用于解释临床数据中缺失的观察结果，以及用于准确的不确定性量化。我们通过提出一种新型的基于高斯过程的方法来解决这个问题，该方法用于根据个体观察的时间序列对成像和临床生物标志物进展进行联合建模。该模型被制定为考虑个体随机效应和时间重新参数化，允许生物标志物演变的非参数估计，以及在指定相关性结构和时间转换模型方面的高度灵活性。由于贝叶斯公式，该模型自然地考虑了缺失数据，并允许在估计的演变中的不确定性量化，以及在看不见的患者中的疾病分期的概率预测。实验结果表明，所提出的模型提供了一个生物学上合理的描述整个疾病的时间跨度，以及显着的预测性能时，在一个大型的临床队列与缺失的意见。
2017-01-06 stat.AP
Order-Agnostic Autoregressive Modelling with Missing Data
Technical University of Denmark（丹麦技术大学）；Pioneer Centre for AI（先锋人工智能中心）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
本文通过缺失数据视角重新审视顺序无关自回归模型，提出缺失感知训练框架，并利用其条件密度估计进行主动信息获取，在多个基准上优于传统插补方法。
2026-05-28 cs.LG stat.ML
Estimating Gaussian Copulas with Missing Data
BMW Group（宝马集团）；Technical University of Dortmund（多特蒙德工业大学）
在这项工作中，我们提出了一个严格的应用期望最大化算法，以确定边缘分布和依赖结构的高斯copula模型与缺失数据。我们进一步展示了如何规避先验假设的边缘与半参数建模。通过该算法学习的联合分布比现有方法更接近底层分布。
2022-01-14 cs.LG stat.ME stat.ML
Hierarchical correlation reconstruction with missing data, for example for biology-inspired neuron
Jagiellonian University（雅盖隆大学）
机器学习通常需要从多维数据样本中建模密度，包括坐标之间的相关性。此外，我们经常会遇到丢失数据的情况：数据点可能会丢失某些坐标的值。本文采用快速参数密度估计方法：将密度建模为正交函数的线性组合，其中$L^2$优化表示给定函数的（独立）估计系数仅为该函数值样本的平均值。分层相关性重构首先使用每个单独坐标在数据样本中的所有出现来对每个单独坐标的概率密度进行建模，然后使用具有两个坐标的所有样本来添加来自独立建模的成对相关性的校正，等等，使用数据样本中经常减少的证据来独立地添加用于越来越多的变量的相关性。这种建模的多维密度的一个基本应用可以是缺失坐标的填补：通过将已知坐标插入密度，并为缺失坐标取期望值，甚至是它们的整个联合概率分布。与级联相关法相比，该方法在灵活性和准确性方面具有优势。它也可以用作人工神经元：最大化仅针对局部行为的预测能力-建模和预测局部连接。
2018-05-27 cs.LG stat.ML
Score Matching With Missing Data
School of Mathematics, University of Bristol, Bristol, UK（布里斯托大学数学学院）；School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院）
本文针对缺失数据场景提出重要性加权和变分两种得分匹配变体，分别适用于低维小样本与高维复杂情形，并在图模型估计任务中验证了各自优势。
2025-05-31 cs.LG stat.ME stat.ML
Informative missingness and its implications in semi-supervised learning
School of Mathematics and Physics, The University of Queensland, Australia（昆士兰大学数学与物理学院）；School of Statistics and Data Science, Guangdong University of Finance & Economics, China（广东财经大学统计与数据科学学院）；School of Mathematics and Computational Science/Hunan Key Laboratory for Computation and Simulation in Science and Engineering, Xiangtan University, China（湘潭大学数学与计算科学学院/湖南计算与工程模拟重点实验室）
本文研究了信息缺失在半监督学习中的影响，提出通过建模缺失标签机制来提高分类性能，尤其在类别重叠适度、标记数据稀疏且缺失信息性时效果更佳。
2025-12-04 cs.LG stat.ML
Multi-task longitudinal forecasting with missing values on Alzheimer's Disease
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；University of Eastern Finland（东芬兰大学）
通常应用于痴呆预测的机器学习技术缺乏联合学习多个任务、处理时间依赖的异构数据和缺失值的能力。在本文中，我们提出了一个框架，使用最近提出的SHIBA模型，共同学习不同的任务上的纵向数据缺失值。该方法使用贝叶斯变分推断来填补缺失值，并结合多个视图的信息。通过这种方式，我们可以将来自不同时间点的不同数据视图组合在一个公共的潜在空间中，并学习每个时间点之间的关系，同时对多个输出变量进行建模和预测。我们应用这个模型来预测痴呆症的诊断，脑室容积和临床评分。结果表明，SSHIBA能够学习一个很好的填补缺失值和优于基线，同时预测三个不同的任务。
2022-01-13 cs.LG stat.ML
Imputation and low-rank estimation with Missing Not At Random data
Sorbonne Université（索邦大学）；Ecole Polytechnique（巴黎综合理工学院）；Ecole Normale Supérieure, Paris（巴黎高等师范学院）；INRIA（法国国家信息与自动化研究所）
缺失值挑战数据分析，因为许多监督和无监督学习方法不能直接应用于不完整的数据。基于低秩假设的矩阵完备化方法是处理缺失值的一种非常有效的方法。然而，现有的方法不考虑的情况下，在实践中广泛遇到的信息缺失值。本文提出了一种恢复非随机缺失（MNAR）数据的矩阵补全方法。我们的第一个贡献是建议一个基于模型的估计策略，通过建模缺失的机制分布。然后实现了一种期望最大化算法，包括快速迭代软阈值保持算法（FISTA）。我们的第二个贡献是建议一个计算效率高的替代估计隐式地考虑到联合分布的数据和缺失机制：数据矩阵与掩码编码连接的缺失值，指数族的低秩结构假设在这个新的矩阵，为了编码变量和缺失机制之间的联系。处理不同的缺失值机制的方法具有很大的优势，是强大的模型规格errors.The的性能，我们的方法进行了评估的真实数据收集的创伤注册表（TraumaBase），包含临床信息超过两万严重创伤患者在法国。然后，目的是预测医生是否应该给创伤性脑损伤患者服用外泌酸，这将限制过度出血。
2020-01-29 cs.LG stat.ML
CFMI: Flow Matching for Missing Data Imputation
University of Edinburgh（爱丁堡大学）
本文提出CFMI，融合连续归一化流、流匹配与共享条件建模进行缺失数据插补；实验表明其在表格数据上优于或持平九种方法，并在零样本时间序列插补中兼顾准确率与效率。
2025-06-10 cs.LG stat.ML
Multi-view Kernel Completion
Helsinki Institute for Information Technology HIIT（赫尔辛基信息技术研究所（HIIT））；Aalto University School of Science and Technology（阿尔托大学科学与技术学院）
在本文中，我们介绍了第一种方法，（1）可以完成完全缺失行和列的核矩阵，而不是个别缺失的核值，（2）不需要任何核是先验完整的，（3）可以处理非线性核。这些方面在实际应用中是必要的，例如集成遗留数据集，在传感器故障下学习，以及在某些视图的测量成本高昂时学习。所提出的方法预测丢失的行建模内的视图和视图之间的关系内核值。我们表明，无论是在模拟数据和现实世界的数据，所提出的方法优于现有的技术，在有限的设置，它们是可用的，并扩展适用性到新的设置。
2016-02-08 cs.LG stat.ML
Energy-based survival modelling using harmoniums
University Medical Center Groningen（格罗宁根大学医学中心）
生存分析涉及时间轴数据的研究，其中感兴趣的事件可能仍然未被观察到（即，censored）。研究通常记录一种以上类型的事件，但传统的生存技术集中在一个单一的事件类型。我们开始整合多个独立删失的事件发生时间变量以及缺失的观察结果。一种基于能量的方法是在潜在状态和可见状态之间采用二分结构，称为谐波（或限制玻尔兹曼机）。目前的口琴，理论和实验，捕捉不同的时间记录之间的非线性可分离的模式。我们说明了现实世界的数据，对于一个单一的时间到事件的变量，我们的模型是等同于既定的方法。此外，我们还证明了通过利用额外的事件发生时间变量来提高判别预测。总之，多个时间到事件变量可以成功地捕获内的风琴范式。
2023-02-28 cs.LG stat.ML
Multiple Imputation for Biomedical Data using Monte Carlo Dropout Autoencoders
West University of Timisoara（蒂米什瓦拉西部大学）；University of Ljubljana（卢布尔雅那大学）
由于复杂的实验设置，缺失值在生物医学数据中很常见。为了处理这个问题，已经提出了许多方法，从忽略不完整的实例到各种数据填补方法。随着最近深度神经网络的兴起，缺失数据填补的领域已经面向数据分布的建模。本文提出了一种基于Monte Carlo dropout的方法（变分）Autoencoders，它不仅提供了非常好的适应数据的分布，而且还允许生成新的数据，适应每个特定的实例。实验结果表明，该方法可以有效地提高插补误差和预测相似度。
2020-05-13 cs.LG stat.ML
Learning Coupled System Dynamics under Incomplete Physical Constraints and Missing Data
Department of Mathematical and Statistical Sciences, University of Alberta（数学与统计科学系，阿尔伯塔大学）
MUSIC通过整合部分物理约束与数据驱动学习，有效恢复耦合系统在数据稀缺和噪声下的高维解。
2025-12-28 cs.LG stat.ML
A tutorial on multi-view autoencoders using the multi-view-AE library
University College London（伦敦大学学院）
针对多视图自编码器符号不统一、实现框架各异的问题，研究提出统一数学框架，扩展multi-view-AE库的文档与功能，经基准测试验证性能优异，为多模态建模提供统一基础与教育资源。
2024-03-12 cs.LG stat.ML
