基于频繁方向的有效流式低管秩张量近似
机器学习
2021-08-24 v1 机器学习
摘要
低管秩张量近似已被提出用于分析大规模和多维数据。然而，由于计算资源有限，在流式环境中找到如此精确的近似具有挑战性。为了缓解这个问题，本文扩展了一种流行的矩阵草图技术，即频繁方向，基于张量奇异值分解（t-SVD）从流数据中构建高效且精确的低管秩张量近似。具体来说，新算法允许逐片观察张量数据，但只需维护并增量更新一个能捕获原始张量主要信息的、小得多的草图。严格的理论分析表明，当草图大小线性增长时，新算法的近似误差可以任意小。在合成和真实多维数据上的大量实验结果进一步揭示了所提算法在获取低管秩近似方面，与其他草图算法相比在效率和精度上的优越性。
引用
@article{arxiv.2108.10129,
title = {Effective Streaming Low-tubal-rank Tensor Approximation via Frequent Directions},
author = {Qianxin Yi and Chenhao Wang and Kaidong Wang and Yao Wang},
journal= {arXiv preprint arXiv:2108.10129},
year = {2021}
}