用于张量补全的张量多模态增强非凸低秩近似
计算机视觉与模式识别
2020-06-23 v2
摘要
高阶低秩张量出现在许多数据处理应用中，并引起了极大的兴趣。受低秩近似理论的启发，研究人员提出了一系列有效的张量补全方法。然而，这些方法大多直接考虑底层张量的全局低秩性，这在低采样率下是不充分的；此外，通常采用单一核范数或其松弛来近似秩函数，这会导致偏离原始解的次优解。为了缓解上述问题，本文提出了一种新颖的张量多模态低秩近似（LRATM），其中设计了双非凸 范数来表示从底层张量的模态分解因子中提取的潜在联合流形。设计了一种基于逐块上界最小化方法的算法来高效求解所提出的模型，并可以证明我们的数值方案收敛到逐坐标极小值。在三类公开多维数据集上的数值结果测试并表明，与对比方法相比，我们的算法能够用显著更少的样本恢复各种低秩张量。
引用
@article{arxiv.2005.14521,
title = {Enhanced nonconvex low-rank approximation of tensor multi-modes for tensor completion},
author = {Haijin Zeng and Xiaozhen Xie and Jifeng Ning},
journal= {arXiv preprint arXiv:2005.14521},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:2004.08747