Oct, 2016

稀疏分层 Tucker 分解及其在医疗保健中的应用

PDF
TL;DR提出一种新的张量分解方法：稀疏分层 - 特克 （Sparse H-Tucker），用于解决稀疏和高阶数据张量的问题。该方法的嵌套采样技术解决了传统的层次特克方法中所存在的可扩展性问题，此方法更快，更节省空间，并且能够构建一个可解释的疾病层次结构，并且已在真实的医疗保健数据集上进行了广泛的测试。
tensor factorizationsparse hierarchical-tuckerhealthcare datasetscalability probleminterpretable disease hierarchy
发现论文，激发创造
  • 层次 Tucker 流形的优化 - 张量补全应用

    本文采用分层 Tucker 张量和优化算法，快速插值了实际场景中的大规模地震数据集。

    May, 2014

  • 基于贝叶斯鲁棒性的不完整多维数据张量分解

    本文提出了一种基于贝叶斯建模和多线性交互作用的张量分解方法，可以在存在缺失数据和离群值的情况下进行鲁棒分析，实现对丢失数据的稳健预测分布。

    Oct, 2014

  • Tucker 格式低秩张量分解的随机算法

    本文研究基于随机算法的张量分解方法在 Tucker 表达式下的应用，提出并分析了 HOSVD 和 STHOSVD 的随机算法，并针对大规模数据集提出了适用于不同需求的改进方案。

    May, 2019

  • 低多秩高阶贝叶斯鲁棒张量分解

    提出一种名为低多秩高阶贝叶斯鲁棒张量分解 (LMH-BRTF) 的新型高阶 TRPCA 方法，在贝叶斯框架内对观测到的受损张量进行分解，结合了明确建模稀疏和噪声成分的优势，实现了对张量的多秩自动确定，并采用高效的变分推断算法进行参数估计，通过对合成和现实世界数据集的实证研究，在定性和定量结果方面证明了该方法的有效性。

    Nov, 2023

  • 基于层次非线性变换和层次矩阵因子分解的高光谱图像去噪

    通过使用分层非线性变换和分层矩阵分解建立了一种新的张量分解方法 (H2TF)，并基于此提出了一种基于 H2TF 的高光谱图像去噪模型和一种算法来解决该模型，并通过实验验证了该方法优于现有的状态 - of-the-art 高光谱图像去噪方法。

    Apr, 2023

  • 层次张量表示中的张量补全

    本书章节考虑针对分层张量格式的迭代硬阈值方案，利用曲面优化中的回退映射将前有低秩张量的流形的切空间映回这个流形，并提供基于测量映射的张量版本的受限等距性质（TRIP）的第一部分收敛结果。此外，提供了保证加权张量秩的 TRIP 作为高斯测量映射的测量数量的估计。

    Apr, 2014

  • 随机张量列奇异值分解

    该研究针对层次张量表示，研究了随机矩阵分解方法在高阶张量中的推广，并提出分析了一种用于计算张量拓扑结构的随机算法。

    Oct, 2017

  • 高维分类的贝叶斯条件张量分解

    使用 Tucker 分解模型，配合贝叶斯方法与马尔可夫蒙特卡罗算法进行变量选择，取得高准确率的分类模型，使其适用于高维分类数据并解决标记互制问题。

    Jan, 2013

  • 分布式柔性非线性张量分解

    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

  • 使用分层 Tucker 张量分解压缩循环神经网络

    本研究提出使用分层 Tucker 分解压缩循环神经网络，提高了其表示能力且相比于 TT-LSTM、TR-LSTM、BT-LSTM 等现有压缩模型，在不同数据集上同时实现了压缩比和测试准确度的显著提升。

    May, 2020