本文介绍了一种基于随机最小二乘法的 CANDECOMP / PARAFAC (CP) 分解方法,旨在提高多维数据的分析效率。通过优化 CP-ALS 的个别步骤,如预处理,Khatri-Rao 乘积以及停止条件等,方法可显著缩短计算时间,减少计算所需内存,并提高算法的鲁棒性。
Jan, 2017
本文提出了一种基于草图的快速随机张量 CP 分解算法,通过 FFT 计算张量收缩并使用对称张量的冲突哈希进一步节省计算时间,结合白化和张量幂迭代技术,此算法在稀疏和密集张量上都具有最快的速度,适用于主题建模等应用。
Jun, 2015
提出了一种基于深度学习的 CP decomposition 算法,使用深度神经网络生成有利的初始值,加速和提高了信道估计的精度。
May, 2023
该论文发展了一种广义的低秩张量分解(GCP),使其可以适用于二进制或计数数据,其中除了平方误差损失函数外,还可以使用逻辑损失或 Kullback-Leibler 散度损失函数,我们提供了基于统计动机的多种损失函数,为计算梯度和处理缺失数据提供了广义框架,从而可以使用标准优化方法来拟合模型,在社交网络,老鼠的神经活动和印度的月降雨数据等几个真实世界的例子中展示了 GCP 的灵活性。
Aug, 2018
本文提出了一种基于层次概率模型的 CP 张量分解方法,通过整合多个潜在因子和适当的超参数来提供完全贝叶斯处理,以实现自动排序确定,同时提供对缺失条目的预测分布。
Jan, 2014
本论文提出了一种用于 CP 张量分解的交替秩 - 1 更新算法,并提供了局部和全局收敛保证,同时考虑不对称张量和噪声干扰等因素。
Feb, 2014
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
本文介绍了两种基于随机投影的张量环分解算法。实验结果表明,这两种算法具有较高的压缩性,可应用于深度学习数据集压缩和高光谱图像重建等领域。
Jan, 2019
本文提出了一种新的采样算法 MACH,用于计算 Tucker 分解,能够有效地处理大规模,计算密集型和后期数据分析的多方面数据。
Sep, 2009
本文提出一种新的非凸迭代算法,可以将张量分解为低秩部分和稀疏部分,在低秩 CP 分解和残差的硬阈值处理之间交替进行,可处理具有一个更高程度扰动的稀疏张量,应用于视频中的活动检测任务。
Oct, 2015