使张量分解对非高斯噪声具有鲁棒性
数值分析
2010-10-18 v1 统计计算
统计方法学
摘要
张量是多维数组，Candecomp/Parafac (CP)张量分解已在许多不同领域得到应用。CP模型通常使用最小二乘目标函数进行拟合，该函数是在独立同分布高斯噪声假设下的最大似然估计。我们证明，该损失函数实际上对非高斯噪声高度敏感。因此，我们提出一种基于1-范数的损失函数，因为它能同时适应高斯和严重非高斯扰动。我们还提出了一种交替的majorization-minimization算法，用于使用我们提出的损失函数拟合CP模型。
引用
@article{arxiv.1010.3043,
title = {Making Tensor Factorizations Robust to Non-Gaussian Noise},
author = {Eric C. Chi and Tamara G. Kolda},
journal= {arXiv preprint arXiv:1010.3043},
year = {2010}
}
备注
Contributed presentation at the NIPS Workshop on Tensors, Kernels, and Machine Learning, Whistler, BC, Canada, December 10, 2010