通过矩阵分解实现张量分解
本文研究了稀疏计数数据的多线性建模问题,提出了一个以泊松分布为假设的描述性张量分解模型和相应的算法和理论,并介绍了一种基于主导极小化方法的泊松张量分解算法,称为 CP-APR,并在几个数据集上的结果得到了验证。
Dec, 2011
本文提出了一种分布式、灵活的非线性张量分解模型,通过可避免昂贵的计算以及提供高质量推理的上限,它能够克服传统张量分解模型中的限制,并展现出在 CTR 预测方面的巨大潜力。
Apr, 2016
本文考虑在通过随机投影压缩的数据上准确高效地计算低秩矩阵或张量分解的问题。我们研究了在压缩域内执行分解并从恢复 (压缩) 因子中重构原始高维因子的方法,在矩阵和张量设置中,我们建立了这种自然方法能够证明恢复原始因子的条件。我们对合成数据进行了实验,证实了压缩因式分解在真实世界的基因表达和脑电时间序列数据集中的实际适用性,并支持这些理论结果。
Jun, 2017
本研究提出了一个新的模型以及应用交替最小化算法和两种自适应秩调整策略同时对低秩张量进行低秩矩阵分解,结果表明,该算法可以在比其他方法更少的数据采样下恢复各种合成低秩张量,而且实际数据的测试结果也有类似优势。
Dec, 2013
本文研究了 CANDECOMP/PARAFAC(CP)张量分解在多维数据降维中的应用,提出了一种基于随机算法的简单但强大的算法来计算大规模张量的近似 CP 分解,并通过多个实验结果证明了该算法的性能。
Mar, 2017
该论文介绍了一种算法,旨在通过将相应矩阵近似因式分解为少量稀疏因子,降低应用高维线性算子的复杂度,该方法依赖于近期非凸优化的进展,首先进行详细的解释和分析,然后在字典学习图像去噪和逆问题中展示实验效果。
Jun, 2015
介绍了一种基于张量分解格式 —— 张量列车(TT)和 CP 分解格式 —— 的两种张量随机投影映射方法来降低高维张量的维数,从而显著地降低了存储和计算成本,并证明了采用 TT 格式比 CP 格式更能够更快地实现相同的降维效果,相关实验验证了理论分析结果。
Mar, 2020
本文从信号处理角度提供了关于高阶张量分解的全面介绍,包括基本的 CP 和 Tucker 模型,通过多种数据处理方法提供更加灵活和自然的潜在因素;研究表明张量分解可用作现代信号处理、数据分析和机器学习应用的最有效和最有前途的工具。
Mar, 2014
考虑如何分解具有缺失值的数据集,以捕捉数据的潜在结构并可能重建缺失值。我们开发了一种名为 CP-WOPT 的算法,该算法使用一种一阶优化方法来解决加权最小二乘问题,并通过大量的数值实验验证了该算法的性能良好,能够成功分解噪声数据及缺失数据高达 99%的张量,同时适用于稀疏大规模数据。
May, 2010