联合张量分解与离群切片抑制及其应用
机器学习
2023-07-19 v1
摘要
我们考虑在存在离群切片的情况下对低秩张量进行分解。此问题在实践中具有重要意义，因为许多现实世界应用（如语音、荧光和某些社交网络数据）中收集的数据符合这一范式。先前的工作通过迭代选择固定数量的切片并进行拟合来解决此问题，但该过程可能不收敛。我们从促进组稀疏性的角度来表述此问题，并提出了一个交替优化框架来处理相应的基于（）最小化的低秩张量分解问题。所提算法的每次迭代复杂度与普通三线性交替最小二乘（TALS）算法相当。在交替优化及其变体的框架下，所提算法的收敛性也易于分析。此外，可以方便地纳入正则化和约束，以利用关于潜在载荷因子的先验信息。通过对盲语音分离、荧光数据分析和社会网络挖掘的仿真及真实数据实验，展示了所提算法的有效性。
引用
@article{arxiv.1507.04436,
title = {Joint Tensor Factorization and Outlying Slab Suppression with Applications},
author = {Xiao Fu and Kejun Huang and Wing-Kin Ma and Nicholas D. Sidiropoulos and Rasmus Bro},
journal= {arXiv preprint arXiv:1507.04436},
year = {2023}
}