解决张量低周期秩逼近
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
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
本文讨论了针对高于三阶的张量的最优低秩逼近定理。我们提出了使用弱解来克服低秩逼近问题的不适定性,并从代数几何的角度将我们的工作与张量的现有研究联系起来。
Jul, 2006
本文研究了张量鲁棒主成分分析问题,并通过解决一个凸规划问题,准确地恢复了低秩和稀疏分量,该问题基于新的张量奇异值分解和引导的张量管秩和张量核范数,并在对图像去噪中证实了该方法的有效性。
Aug, 2017
该论文提出了一种新的张量补全问题的公式,以张量列车 (TT) 秩的形式介绍了该公式,可以通过平衡的矩阵化计算有效地捕获张量的全局信息。两种算法被提出来解决相应的张量补全问题。
Jan, 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
本研究是对卷积核张量分解退化性的第一项研究。我们提出了一种新方法,可以稳定卷积核的低秩近似,同时保证神经网络的高性能。在流行的 CNN 体系结构上评估我们的方法并显示它提供一致性的性能。
Aug, 2020
本文在凸优化框架中研究了鲁棒性低秩张量恢复问题,并提出了具有全局收敛保证的定制优化算法,包括交替方向增广 Lagrange 算法和加速近端梯度方法。作者还提出了一种非凸模型,并通过实际应用展示了鲁棒性低秩张量恢复的实用有效性。
Nov, 2013