无监督张量挖掘中可解释性与预测准确性的平衡
机器学习
2017-09-06 v1 机器学习
摘要
PARAFAC张量分解在探索性多方面数据挖掘场景中取得了越来越大的成功。一个主要挑战仍然是分解的潜在因子数量（即秩）的估计，这会产生高质量、可解释的结果。之前，我们提出了一种自动化张量挖掘方法，该方法利用了化学计量学领域著名的质量启发式方法——核心一致性诊断（CORCONDIA），以自动确定PARAFAC分解的秩。在这项工作中，我们着手探索1）结果的可解释性/质量（由CORCONDIA表示）与2）结果的预测准确性之间的权衡，以进一步改进秩估计质量。我们的初步结果表明，在该权衡中取得良好平衡有利于秩估计。
引用
@article{arxiv.1709.01147,
title = {Balancing Interpretability and Predictive Accuracy for Unsupervised Tensor Mining},
author = {Ishmam Zabir and Evangelos E. Papalexakis},
journal= {arXiv preprint arXiv:1709.01147},
year = {2017}
}