提升的稀疏低秩张量回归
机器学习
2018-11-06 v1 机器学习
摘要
我们提出一种稀疏低秩张量回归模型，将一元结果与特征张量相关联，其中系数张量的 CP 分解中每个单位秩张量被假设为稀疏的。该结构既简洁又具有高度可解释性，因为它意味着结果通过若干不同的路径与特征相关，每条路径可能仅涉及特征维度的子集。我们采用分而治之策略，将该任务简化为一组稀疏单位秩张量回归问题。为使计算高效且可扩展，针对单位秩张量回归，我们提出一种逐步估计过程，以高效追踪其完整解路径。我们证明当步长趋于零时，逐步解路径精确收敛于相应正则化回归的解路径。我们在多个真实与合成样例上展示了本方法的优越性能。
引用
@article{arxiv.1811.01158,
title = {Boosted Sparse and Low-Rank Tensor Regression},
author = {Lifang He and Kun Chen and Wanwan Xu and Jiayu Zhou and Fei Wang},
journal= {arXiv preprint arXiv:1811.01158},
year = {2018}
}
备注
10 pages, 5 figures, NIPS 2018