Aug, 2023

一种适应时间的张量分解方法用于跟踪演化模式

PDF
TL;DR提出了一种基于 tPARAFAC2 的张量分解方法，通过时间正则化从时间数据中准确提取逐渐演变的模式，通过对合成数据的广泛实验表明，tPARAFAC2 可以更好地捕捉底层演变的模式，优于 PARAFAC2 和带有时间平滑正则化的耦合矩阵分解。
time-evolving data setshigher-order tensortemporal regularizerstparafac2underlying evolving patterns
发现论文，激发创造
  • tPARAFAC2：追踪（不完整）时序数据中的演变模式

    为了捕捉底层演化模式，引入了具有时间平滑正则化的 tPARAFAC2，使用交替优化和交替方向乘法器方法实现模型拟合。在处理丢失的数据方面，对比了不同方法，结果表明时间平滑正则化的有效性。

    Jul, 2024

  • COPA: 用于稀疏和大型数据集的约束 PARAFAC2

    本研究提出了一种基于协同优化和单向距离方法（AO-ADMM）的新的 COPA 方法，该方法的目的是解决 PARAFAC2 模型的因子分解在应对时空约束时的可解释性不足和噪声敏感性等问题。通过实验，COA 方法比以前的 PARAFAC2 方法更快，并取得了与在精度方面与前者相同的表现。

    Mar, 2018

  • 基于双向流 PARAFAC2 的不规则张量快速准确算法及应用

    本文介绍了一种名为 Dash 的高效和准确的 PARAFAC2 分解方法，它可以在双向流设置中快速、准确地分解不规则张量，并有效地处理新矩阵的新行。同时可以发现一些真实世界数据集中的异常情况，例如次贷危机和 COVID-19。

    May, 2023

  • SPARTan: 大规模稀疏数据的可扩展 PARAFAC2

    通过提出 SPARTan 方法，我们得以解决 PARAFAC2 运算大规模、稀疏数据时的效率问题。在通过真实病例进行的评估中，我们发现 SPARTan 在表现上胜过了过去的实现，并以高效的方式获得了对于复杂医学病例下几位小患者的临床意义刻画及其时间进化路径的结果。

    Mar, 2017

  • 非参数因子轨迹学习动态张量分解

    该研究提出了一种名为 “NONFAT” 的方法，它使用高斯过程先验和稀疏变分学习算法来实现动态张量分解，以分析伴随有时间信息的多维数据，并应用于多种实际应用中。

    Jul, 2022

  • 利用矩阵和张量分解进行时序链接预测

    本文考虑了基于时间的链接预测问题，研究了基于矩阵和张量的方法，并探讨了在具有不同周期结构的数据中利用张量分解的优点。通过多个实验，证明了这两种方法对于时间链接预测具有很好的效果。

    May, 2010

  • 基于 PARAFAC2 的矩阵和张量耦合分解约束

    基于耦合矩阵和张量分解的数据融合模型是从多个数据源联合分析数据的有效工具。本文介绍了一种灵活的算法框架，利用交替优化和交替方向乘子法来适应基于 PARAFAC2 的 CMTF 模型，允许在所有模式和线性耦合到其他矩阵、CP 或 PARAFAC2 模型上施加各种约束。实验证明了该框架的实用性和多功能性，并与最先进的方法相比，在准确性和效率方面具有优势。

    Jun, 2024

  • 利用时变低秩自回归方法从时空数据中发现动态模式

    本文研究了从时空数据中发现可解释动态模式的问题，提出了一种基于低秩张量分解的时变降维自回归模型，用于模型压缩和模式发现，并证明了该模型在多个非线性动力系统的时空数据建模和特征提取方面的有效性。

    Nov, 2022

  • 一种基于非负张量分解的时间网络社区结构和活动模式检测方法

    研究时间网络中的介观结构和通过使用非负张量分解技术提取社区活动结构和跟踪它们在时间上的变化。

    Aug, 2013

  • 通过张量分解发现高维人类行为数据中的隐藏结构

    应用非负张量因式分解方法在穿戴式传感器数据集 StudentLife 中，提取潜在的时间因素和相似个体群组，成功发现了表现良好的个体和常常从事休闲活动的个体，从而揭示了数据的低维结构。

    May, 2019