May, 2023

一种新的基于张量分解的方法，对不精确秩估计具有鲁棒性

PDF
TL;DR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。
发现论文，激发创造
  • 使用 t-SVD 进行精确张量补全

    本文利用张量奇异值分解求得张量的秩概念 —— 张量管秩，使用具有优化性质的张量核范数最小化的凸优化问题，完成了从有限采样中完成高维数据恢复的任务，并证明了此方法的有效性。

    Feb, 2015

  • 低秩张量恢复的因式化梯度下降法

    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

  • 高斯测量下精确低秩张量回收

    本文研究了张量核范数在 Guassian measurements 下的低秩张量恢复问题，证明了 TNN 是一种特殊的原子范数，并提出了 TNN 最小化问题的解决方案。通过实验验证了理论结果。

    Jun, 2018

  • 使用随机低秩逼近的非凸稳健高阶张量补全

    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

  • 通过凸优化估计低秩张量

    提出三种方法用于从部分观察中估计多维数组（张量）的 Tucker 分解，这些方法都可以自动估计因子数（秩），并采用凸优化进行求解，其中采用的主要技术是迹范数正则化，还提出了简单的启发式方法以提高因子分解的可解释性。通过合成和真实数据集上的数值实验，证明了该方法比传统方法预测性能更准确、更快，更可靠。

    Oct, 2010

  • 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

  • 高阶张量恢复与张量 U1 范数

    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

  • 底秩张量恢复的一阶方法的效率研究：严格互补条件下的张量核范数

    使用凸松弛方法，基于张量核范数引入的球形约束最小化来恢复低秩张量，引入张量核范数球的适当严格互补条件下获得重要结果，包括线性收敛速度、低秩解的近似线性运行时间，在非平滑目标函数中类似结果可用于 extragradient 方法，并扩展了先前仅适用于三阶张量的许多基本结果。

    Aug, 2023

  • 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

  • 数据聚类的鲁棒异常张量低秩表示

    提出了一种用于同时检测异常值和对被异常值污染的张量数据进行聚类的鲁棒低秩表示方法，基于张量奇异值分解代数框架。实验证明了该算法的有效性。

    Jul, 2023