具有最坏情况保证的更高效张量分解采样
数值分析
2022-06-22 v2 机器学习
数值分析
摘要
近期论文发展了用于CP分解和张量环分解的交替最小二乘方法,对于低秩分解,其每次迭代成本在输入张量条目数量上呈次线性。然而,当选择参数以实现特定的最坏情况保证时,这些方法的每次迭代成本仍对张量模数呈指数依赖。本文中,我们为CP分解和张量环分解提出了基于采样的交替最小二乘方法,其成本不具有这种指数依赖,从而显著改进了先前的最优水平。我们提供了详细的理论分析,并在一个特征提取实验中应用了这些方法。
引用
@article{arxiv.2110.07631,
title = {More Efficient Sampling for Tensor Decomposition With Worst-Case Guarantees},
author = {Osman Asif Malik},
journal= {arXiv preprint arXiv:2110.07631},
year = {2022}
}
备注
Accepted to ICML 2022