用于高阶张量特征提取的矩阵乘积态
计算机视觉与模式识别
2016-01-22 v4 数据结构与算法
机器学习
摘要
本文引入矩阵乘积态(MPS)分解作为提取由高阶张量表示的多维数据特征的计算工具。无论张量阶数如何，MPS将其相关特征提取到所谓的最大阶数为三的核张量中，该核张量可用于分类。MPS主要基于连续的奇异值分解(SVD)序列，实现相当简单，无需任何用于优化局域张量的递归过程。因此，与其他张量特征提取方法（如Tucker分解(TD)基础上的高阶正交迭代(HOOI)）相比，它带来了显著的计算节省。基准结果表明，与HOOI相比，MPS能在显著降低数据特征空间的同时取得更好的分类性能。
引用
@article{arxiv.1503.00516,
title = {Matrix Product State for Feature Extraction of Higher-Order Tensors},
author = {Johann A. Bengua and Ho N. Phien and Hoang D. Tuan and Minh N. Do},
journal= {arXiv preprint arXiv:1503.00516},
year = {2016}
}
备注
10 pages, 3 figures, updated introduction, submitted to IEEE Transactions on Signal Processing