一种用于带线性耦合正则化矩阵-张量分解的灵活优化框架
机器学习
2021-04-21 v1 最优化与控制
机器学习
摘要
耦合矩阵与张量分解(CMTF)常用于联合分析来自多个源的数据,也称为数据融合。然而,来自多个源的数据集的不同特性给数据融合带来了许多挑战,需要采用各种正则化、约束、损失函数以及数据集之间不同类型的耦合结构。在本文中,我们提出了一种用于耦合矩阵与张量分解的灵活算法框架,该框架利用交替优化(AO)和交替方向乘子法(ADMM)。该框架无缝地促进了各种约束、损失函数以及带线性变换的耦合的使用。在模拟和真实数据集上的数值实验表明,对于Frobenius范数损失,所提方法准确且计算高效,性能可与现有CMTF方法相媲美或更优,同时具有更高的灵活性。在计数数据上使用Kullback-Leibler散度,我们证明了该算法对于其他损失函数也能产生准确结果。
引用
@article{arxiv.2007.09605,
title = {A Flexible Optimization Framework for Regularized Matrix-Tensor Factorizations with Linear Couplings},
author = {Carla Schenker and Jeremy E. Cohen and Evrim Acar},
journal= {arXiv preprint arXiv:2007.09605},
year = {2021}
}