通过弹性网学习稀疏低秩 PARAFAC 分解
数值分析
2017-05-30 v1 最优化与控制
机器学习
摘要
在本文中，我们推导了一个贝叶斯模型，通过弹性网学习具有缺失值的观测张量的稀疏低秩 PARAFAC 分解，该模型具有寻找真实秩和抗噪稀疏因子矩阵的特性。我们提出了高效的块坐标下降算法和 admax 随机块坐标下降算法来求解，可用于求解大规模问题。为了在 PARAFAC 分解中选择合适的秩和稀疏度，我们通过逐渐增加正则化以增加稀疏度并降低秩，给出了一条解路径。当我们找到因子矩阵的稀疏结构后，可以固定该稀疏结构，使用较小的正则化来降低恢复误差，从而可以从解路径中选择具有充分稀疏因子矩阵且恢复误差低的合适分解。我们在模拟数据和真实数据上测试了算法的能力，结果表明其非常有效。
关键词
引用
@article{arxiv.1705.10015,
title = {Learning the Sparse and Low Rank PARAFAC Decomposition via the Elastic Net},
author = {Songting Shi and Xiang Li and Arkadiusz Sitek and Quanzheng Li},
journal= {arXiv preprint arXiv:1705.10015},
year = {2017}
}