使用 t-SVD 进行精确张量补全
本研究提出了一种多线性数据完成和去噪的新方法,应用于 3D 和 4D 视频数据的完成和去噪,利用了最近提出的张量奇异值分解(t-SVD)方法,基于 t-SVD,提出了多线性秩和相关张量核范数的概念来表征多线性数据的信息和结构复杂性。在此基础上,我们提出了一个张量核范数惩罚算法,用于从缺失项中完成视频,并且相对于已有方法,该算法表现出更优秀的性能。我们还考虑了从稀疏随机损坏中去噪 3D 视频数据的张量鲁棒主成分分析(PCA)问题,相对于矩阵鲁棒 PCA 的方法,我们的方法表现更优秀。
Jul, 2014
本文介绍了两种融合随机化技术的低秩张量逼近方法,并进一步研究了鲁棒高阶张量完成问题。实验结果表明,该方法在计算效率和精度上均优于其他最先进的方法。
May, 2023
本文介绍了一种利用随机矩阵方法扩展张量 SVD 来压缩和分析数据集的方法,相对于 t-SVD,具有更高的计算效率,并提供了该算法的详细说明和数值结果。
Sep, 2016
本文提出了一种新的张量范数,同时利用低秩先验和秩信息,包括一系列张量管秩的代理函数,可在张量数据中更好地利用低秩,通过使用样本技巧计算更小张量的 t-SVD 而不是原始张量来计算提出的双低秩约束的张量范数。随后,优化算法的每个迭代的计算成本从标准方法的 O (n^4) 降低到 O (n^3 log n + kn^3),其中 k 为真实张量秩的估计值,远小于 n。本方法在合成和现实数据上得到了评估,并表现出优于现有 STOA 张量完成方法的性能和效率。
May, 2023
我们提出了一种新的张量分解和一种新的张量范数,称为张量 $U_1$ 范数,用于解决高阶张量数据的完整性问题,并提出了一个优化算法来解决该问题。该方法在处理具有非光滑变化的张量数据方面表现出良好效果。
Nov, 2023
本文提出 t-SVD 基于多视角数据的子空间聚类方法,通过引入张量代数、低秩张量约束和增广 Lagrange 方法来探索多视角数据中的高阶相关性和互补信息。经过广泛实验证明,该方法在多个挑战性图像数据集上表现卓越。
Oct, 2016
本文提出了一种新颖的张量完成方法,该方法通过利用张量环潜空间的低秩结构,将核范数正则化引入潜在 TR 因子,从而通过奇异值分解,同时获得最优秩的潜在 TR 因子和恢复的张量。实验结果表明,所提出的方法相对于现有的算法具有更好的表现和效率。
Sep, 2018
本文提出了基于 Burer-Monteiro 方法的高效低管秩张量恢复算法,通过张量分解和因式梯度下降的策略,避免了传统计算张量奇异值分解的高计算成本和存储要求,同时在多个场景中展示了与其他方法相比更快的计算速度和更小的收敛误差。
Jan, 2024
本文探讨了在张量补全中使用矩阵补全技术的不足之处,并证明了直接最小化张量核范数的凸优化方法对于提高样本需求是有益的。我们通过开发一系列代数和概率技术来建立结果,例如张量核范数的次微分的表征以及张量鞅的浓度不等式,这可能对其他张量相关问题具有独立的兴趣和有用性。
May, 2014