面向时延时空数据的多版本张量补全
机器学习
2021-05-13 v1 信息检索
摘要
现实世界时空数据常因各种数据加载延迟而不完整或不准确。例如，一个位置-疾病-时间的病例计数张量，对某些位置或疾病可具有近期时间切片的多次延迟更新。恢复输入张量中此类缺失或含噪（少报）元素可视为广义张量补全问题。现有张量补全方法通常假设 i) 缺失元素随机分布，且 ii) 各张量元素的噪声为独立同分布零均值。对于时空张量数据，这两假设均可能被违背。我们常观察到输入张量的多个版本具有不同的少报噪声水平。随着张量被逐步引入更多更新，噪声量可依赖于时间或位置。我们将此类动态数据建模为带有捕获数据更新的额外张量模式的多版本张量。我们提出一种低秩张量模型以预测随时间的更新。我们证明，我们的方法能准确预测许多现实世界张量的真值。与最佳基线方法相比，我们得到低至 27.2% 的均方根误差。最后，我们将方法扩展为随时间跟踪张量数据，带来显著计算节省。
引用
@article{arxiv.2105.05326,
title = {Multi-version Tensor Completion for Time-delayed Spatio-temporal Data},
author = {Cheng Qian and Nikos Kargas and Cao Xiao and Lucas Glass and Nicholas Sidiropoulos and Jimeng Sun},
journal= {arXiv preprint arXiv:2105.05326},
year = {2021}
}