融合侧信息的多方面流式张量补全归纳框架
机器学习
2018-09-05 v3
摘要
低秩张量补全是一个被广泛研究的问题，并在多个领域有应用。然而，在许多真实世界应用中，数据是动态的，即新数据在不同时间间隔到达。因此，用于表示数据的张量尺寸不断增长。除张量外，在许多真实场景中也存在以矩阵形式提供的侧信息，其尺寸也随时间增长。预测动态增长张量中缺失值的问题称为动态张量补全。以往大多数动态张量补全工作都假设张量仅沿一种模式增长。据我们所知，此前尚无将侧信息与动态张量补全结合的工作。我们在本文中弥补这一空白，提出一种称为侧信息注入式增量张量分析（SIITA）的动态张量补全框架，其融合了侧信息并适用于一般增量张量。我们还展示了如何将非负约束融入 SIITA，这对于挖掘可解释的潜在簇至关重要。我们在多个真实世界数据集上进行了大量实验，以证明 SIITA 在各种不同设置下的有效性。
引用
@article{arxiv.1802.06371,
title = {Inductive Framework for Multi-Aspect Streaming Tensor Completion with Side Information},
author = {Madhav Nimishakavi and Bamdev Mishra and Manish Gupta and Partha Talukdar},
journal= {arXiv preprint arXiv:1802.06371},
year = {2018}
}
备注
Accepted to International Conference on Information and Knowledge Management (CIKM), 2018