基于饱和坐标下降的高效非负张量分解
机器学习
2020-03-10 v1 分布式、并行与集群计算
机器学习
摘要
随着计算技术与基于网络应用的发展，数据日益以多维形式生成。由于用户数量庞大而用户交互较少，此类数据通常较为稀疏。为此，基于非负张量分解（NTF）的方法已被广泛使用。然而，现有的分解算法并不适用于处理张量在规模、密度和秩这三种条件下的所有情况，因此其适用性受到限制。本文中，我们提出一种利用元素选择方法的新型快速高效NTF算法。我们利用Lipschitz连续性计算元素重要性，并提出一种基于饱和点的元素选择方法，按列选取一组元素进行更新以求解优化问题。实证分析表明，与相关的现有最优算法相比，所提算法在张量规模、密度和秩方面均具有可扩展性。
引用
@article{arxiv.2003.03572,
title = {Efficient Nonnegative Tensor Factorization via Saturating Coordinate Descent},
author = {Thirunavukarasu Balasubramaniam and Richi Nayak and Chau Yuen},
journal= {arXiv preprint arXiv:2003.03572},
year = {2020}
}
备注
Accepted for publication in ACM Transactions on Knowledge Discovery from Data