张量中的自适应粒度：探寻可解释结构
机器学习
2022-03-03 v2 机器学习
摘要
以极频繁间隔收集的数据通常极为稀疏，且不具备现代张量分解算法可利用的结构。因此，从此类张量中可提取的可解释与可利用结构量而言，其效用很低。在本文中，我们引入寻找自适应聚合粒度张量的问题，该张量可被分解以从原始形式不适于张量分析的数据集中揭示有意义的潜在概念（结构）。此类数据集属于在空间和/或时间上演化的稀疏点过程的广泛类别。据我们所知，这是首个探索张量中自适应粒度聚合的工作。此外，我们正式定义该问题并讨论实践中“良好结构”的不同定义可能是什么，表明最优解具有令人望而却步的组合复杂度。随后，我们提出一种称为 IceBreaker 的高效且有效的贪心算法，其遵循若干直观决策准则在局部最大化“结构优良性”，从而生成高质量张量。我们在合成、半合成和真实数据集上评估了我们的方法。在所有情况下，我们提出的方法构建的张量都具有非常高的结构质量。
引用
@article{arxiv.1912.09009,
title = {Adaptive Granularity in Tensors: A Quest for Interpretable Structure},
author = {Ravdeep Pasricha and Ekta Gujral and Evangelos E. Papalexakis},
journal= {arXiv preprint arXiv:1912.09009},
year = {2022}
}
备注
17 Pages. Under Review