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
我们提出了一个多因素时空预测任务,预测不同因素下局部时空数据的演变,并将它们结合起来进行最终预测。通过理论解决方案和可移植的实例化框架,我们在这个任务中做出了两个贡献:提出了一种称为分解预测策略的有效理论解决方案,并从信息熵理论的角度证明了其有效性。在此基础上,我们实例化了一个新颖的模型无关框架,名为时空图分解学习(STGDL),用于多因素时空预测。框架包括两个主要组件:自动图分解模块,将时空数据中固有的原始图结构分解为对应于不同因素的子图,以及分解学习网络,分别学习每个子图上的局部时空数据,并将它们整合为最终预测。我们对两种类型的四个真实世界时空数据集进行大量实验,即网格图和网络图。结果表明我们的框架平均显著减少了各种时空模型的预测误差(最多达到 35.36% 的减少)。此外,一项案例研究揭示了我们框架的可解释性潜力。
Oct, 2023
本研究采用 Tucker 分解和 PID 控制理论将 LFT 模型进行改进,以提高智能交通系统中交通数据恢复的准确性和 SGD 算法的收敛速度。实验结果表明,改进后的模型在两个城市主要道路交通速度数据集上具有显著的效率提升和高竞争性的预测准确性。
Apr, 2023
本文提出了一种分布式、灵活的非线性张量分解模型,通过可避免昂贵的计算以及提供高质量推理的上限,它能够克服传统张量分解模型中的限制,并展现出在 CTR 预测方面的巨大潜力。
Apr, 2016
本文提出了一种贝叶斯时间分解(BTF)框架,用于在存在缺失值的情况下对多维时间序列进行建模,通过将低秩矩阵 / 张量分解和向量自回归 (VAR) 过程集成到一个概率图模型中,该框架可以表征大规模时间序列数据中的全局和局部一致性,并开发了有效的 Gibbs 采样算法进行模型推断和预测,在多个缺失数据和滚动预测任务上验证了该框架的显著优越性。
Oct, 2019
本论文提出了一个创新的流形正则化 Tucker 分解(ManiRTD)模型,通过引入多元时延嵌入变换,将感官交通状态数据表示为三阶 / 四阶张量,并利用稀疏正则化项改善 Tucker 核的稀疏性以及使用流形正则化和时间约束条件特征化其时空关联,最终在交替近端梯度更新规则下通过块坐标下降框架解决 ManiRTD 模型,并在实际交通数据集上进行数字实验,结果表明所提出的模型在各种缺失情况下优于其他分解方法,并更精确地重建了 STD。
May, 2023
本文研究了高维空间内的张量时间序列数据,开发了一种新的预测框架 GMRL,能够更好地管理时间、位置和来源变量,并已在实际数据集上得到了验证
Jun, 2023
基于张量的方法可以对从社交网络到健康数据和电影观看模式等各种领域中涌现出的大规模、多层面、动态的图数据进行挖掘,包括发现静态和动态图数据中的凝聚社区和模式。
Oct, 2022
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
提出了一种基于字典的时间图信号分解框架(TGSD),可以处理来自真实世界中的多个不同领域的时间序列数据, 并且通过结合时间和图形字典来学习数据的联合编码,实现了丢失数据的处理和提高时间插值性能.
Jun, 2021