Aprendizaje activo para la factorización de matrices bayesianas en línea

El problema de la completación de matrices en línea a gran escala se aborda mediante un enfoque bayesiano. El método propuesto aprende un modelo de análisis de factores (FA) para grandes matrices, basado en un pequeño número de elementos de matriz observados, y aprovecha el modelo estadístico para seleccionar activamente qué nuevas entradas/observaciones de la matriz serían las más informativas si se pudieran adquirir, para mejorar el modelo; la inferencia del modelo y el aprendizaje activo se llevan a cabo en un entorno en línea. En el contexto del aprendizaje en línea, se emplea un algoritmo codicioso, rápido y probadamente casi óptimo para maximizar secuencialmente la información mutua entre observaciones pasadas y futuras, aprovechando las propiedades de submodularidad. Además, se muestra que un procedimiento más simple, que utiliza directamente los parámetros posteriores aprendidos por el enfoque bayesiano, logra una calidad de estimación ligeramente inferior, con mucho menos esfuerzo computacional. La inferencia se realiza utilizando un procedimiento bayesiano variacional (VB) en línea computacionalmente eficiente. Se obtienen resultados competitivos en un problema de filtrado colaborativo muy grande, a saber, el conjunto de datos de calificaciones de Yahoo! Music.