ICMLJun, 2023

神经属性融合的低计数张量完成

PDF
TL;DR本研究通过低秩泊松张量模型和神经网络学习算法，在理论上支持了未完全统计的多方面数据完成，提出了可以证明从部分观测中恢复张量的完全统计条目及其每个条目的欠计数概率的 UC-TC 公式，并进行了模拟和实际数据实验。
under-countingtensor completionpoisson tensor modelneural network learning algorithmtheoretical analysis
发现论文，激发创造
  • 高效张量补全：低秩张量列车

    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

  • MTC: 从部分和粗略观测中进行多分辨率张量补全

    本文提出了一个高效的 Multi-resolution Tensor Completion Model (MTC) 来解决张量部分观测值的补全问题，该模型实现了张量模式特性的探索，并利用分辨率层次进行递归优化。在两个 COVID-19 相关的时空张量上的实验证明，MTC 可以在仅有 5% 细颗粒观测情况下提供达到 65.20% 和 75.79% 的适配度 (PoF)，相对于最佳基线的相对改进为 27.96%。

    Jun, 2021

  • 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

  • 使用广义 CP 分解和非负整数张量完成的低秩张量补全

    提出了基于数字属性的新的 GCDTC（广义 CP 分解张量完成）方法，采用低秩张量完成的广义 CP 分解，提出了一种名为 SPTC（平滑泊松张量完成）的算法，通过实验验证，该方法的完整性准确性优于目前最先进的方法。

    Feb, 2023

  • 基于低秩张量列的彩色图像和视频修复高效完成算法

    本文提出一种新颖的张量完成方法，基于张量列车 (TT) 秩，提出了新的优化公式和算法。其中，SiLRTC-TT 是通过在 TT 秩的基础上最小化核范数实现的，TMac-TT 是通过基于多线性矩阵分解来逼近张量 TT 秩。文章还提出了一种向高阶张量转换的方法以增强 SiLRTC-TT 和 TMac-TT 的有效性。仿真结果表明该方法在彩色图像和视频恢复方面具有明显优势。

    Jun, 2016

  • 从含噪数据中恢复低秩张量的非凸方法

    我们提出了一个两阶段的非凸算法，用于从高度不完整和随机损坏的观测值中重建低秩张量，并在几乎线性时间内恢复所有单个张量因子，同时享受接近最优的统计保证，我们还讨论了如何扩展我们的方法以适应非对称张量。

    Nov, 2019

  • 低秩张量环噪声张量补全

    本文提出了一种新的噪声张量补全模型，结合了张量环核范数和最小二乘估计器来正则化原始张量和观测条目，通过优化算法以实现高效且精确地预测缺失条目。

    Mar, 2022

  • 非凸张量补全的不确定性量化：置信区间、异方差性和最优性

    研究噪声张量完成中的非凸优化分布和不确定性，利用 Cai 等人 (2019) 提出的两阶段估计算法，表征了这种非凸估计器的分布，进一步构建了有效的和简短的置信区间，揭示了非凸张量完成的统计最优性。

    Jun, 2020

  • 通过低秩张量完成实现错误容忍的协作智能

    本文研究了四种低秩张量完成方法的有效性，旨在恢复由深度学习模型产生的深度特征张量中的丢失数据，并研究了在各种情况下张量完成的有效性。

    May, 2021

  • 一种非凸低秩张量补全模型用于时空交通数据插值

    本文提出了一种用于解决空间时间交通数据中缺失数据问题的低秩张量完成方法，并定义了一个新的截断核范数，利用交替方向乘子法（ADMM）的框架提出了一种有效的算法来获得每个变量的最优解。数值实验表明，所提出的方法优于许多最先进的缺失数据模型。

    Mar, 2020