基于低秩近似的快速超图正则非负张量环分解
机器学习
2021-09-07 v1 数值分析
数值分析
摘要
对于高维数据表示，结合流形学习的非负张量环(NTR)分解已成为一种有前景的模型，用于挖掘多维结构并从张量数据中提取特征。然而，现有方法如图正则张量环分解(GNTR)仅对对象间的成对相似性进行建模。对于具有复杂流形结构的张量数据，图无法精确构建相似性关系。本文中，为有效利用对象间更高维且复杂的相似性，我们将超图引入 NTR 框架以进一步增强特征提取，并由此提出了超图正则非负张量环分解(HGNTR)方法。为降低计算复杂度并抑制噪声，我们应用低秩近似技巧来加速 HGNTR(称为 LraHGNTR)。实验结果表明，与其他 SOTA 算法相比，所提出的 HGNTR 和 LraHGNTR 在聚类任务中能取得更高性能；此外，LraHGNTR 能在不降低精度的前提下大幅减少运行时间。
引用
@article{arxiv.2109.02314,
title = {Fast Hypergraph Regularized Nonnegative Tensor Ring Factorization Based on Low-Rank Approximation},
author = {Xinhai Zhao and Yuyuan Yu and Guoxu Zhou and Qibin Zhao and Weijun Sun},
journal= {arXiv preprint arXiv:2109.02314},
year = {2021}
}