利用多线性谱惩罚在再生核希尔伯特空间中学习张量
机器学习
2013-10-21 v1
摘要
我们提出了一个在张量积再生核希尔伯特空间 (TP-RKHSs) 中学习函数的通用框架。该方法基于一个新颖的表示定理，适用于现有的以及新的张量谱惩罚。特别是当 TP-RKHS 中的函数定义在有限离散集的笛卡尔积上时，我们的主要问题公式将现有的张量补全问题作为一个特例包含在内。其他特例包括具有多模态侧信息的迁移学习和多线性多任务学习。对于后一种情况，我们的基于核的视角对于推导现有模型类的非线性扩展至关重要。我们提出了一种新算法，并通过实验展示了所提出扩展的有效性。
引用
@article{arxiv.1310.4977,
title = {Learning Tensors in Reproducing Kernel Hilbert Spaces with Multilinear Spectral Penalties},
author = {Marco Signoretto and Lieven De Lathauwer and Johan A. K. Suykens},
journal= {arXiv preprint arXiv:1310.4977},
year = {2013}
}