用于追踪演化模式的时间感知张量分解
机器学习
2023-10-31 v2 计算机视觉与模式识别
机器学习
摘要
随时间演化的数据集常可排列为以时间模式为一维的高阶张量。尽管张量分解已成功用于捕捉此类高阶数据中的潜在模式，时间维度常被忽略，导致时间点可被重排。近期研究在时间模式中引入时间正则化以解决该问题。然而，现有方法仍不允许潜在模式随时间改变（如大脑中的空间变化、话题中的语境变化）。本文提出时间 PARAFAC2（tPARAFAC2）：一种基于 PARAFAC2 并带时间正则化的张量分解方法，用于从时序数据中提取逐渐演化的模式。通过在合成数据上的大量实验，我们证明 tPARAFAC2 能准确捕捉潜在演化模式，且优于 PARAFAC2 与带时间平滑正则化的耦合矩阵分解。
引用
@article{arxiv.2308.07126,
title = {A Time-aware tensor decomposition for tracking evolving patterns},
author = {Christos Chatzis and Max Pfeffer and Pedro Lind and Evrim Acar},
journal= {arXiv preprint arXiv:2308.07126},
year = {2023}
}
备注
6 pages, 5 figures