面向稀疏单位秩高阶回归模型的快速可扩展估计器
机器学习
2019-12-04 v1 机器学习
摘要
由于张量数据在各类科学研究与真实世界应用中出现得愈发频繁，分析张量特征与单变量输出之间的关系成为诸多领域中的基础任务。为解决该任务，我们提出基于所谓单位秩 CANDECOMP/PARAFAC 分解的\underline{Fa}st \underline{S}parse \underline{T}ensor \underline{R}egression 模型（FasTR）。FasTR 首先将张量系数分解为分量向量，随后以 正则化回归估计每个向量。由于分量向量相互独立，FasTR 能够以并行方式求解，且时间复杂度被证明优于先前模型。我们在若干模拟数据集与真实世界 fMRI 数据集上评估了 FasTR 的性能。实验结果表明，与四个基线模型相比，在各种情形下 FasTR 均能在更短时间内计算出更优解。
引用
@article{arxiv.1912.01450,
title = {Fast and Scalable Estimator for Sparse and Unit-Rank Higher-Order Regression Models},
author = {Jiaqi Zhang and Beilun Wang},
journal= {arXiv preprint arXiv:1912.01450},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1911.12965