基于PARAFAC2的耦合矩阵与张量分解
机器学习
2023-06-05 v1 最优化与控制
机器学习
摘要
耦合矩阵与张量分解(CMTF)已成为联合分析矩阵与高阶张量形式数据集的有效数据融合工具。PARAFAC2模型因其灵活性及处理不规则/锯齿状张量的能力，已被证明是CANDECOMP/PARAFAC (CP)张量模型的一种有前景的替代方案。尽管近期已研究基于PARAFAC2模型与矩阵/张量分解耦合的融合模型，但其在可能的正则化和/或数据集间耦合类型方面存在局限。本文提出一种拟合基于PARAFAC2的CMTF模型的算法框架，可使用交替优化(AO)和交替方向乘子法(ADMM)对所有模态和线性耦合施加各类约束。通过数值实验，我们证明了所提算法方法利用各种约束和线性耦合能准确恢复潜在模式。
引用
@article{arxiv.2210.13054,
title = {PARAFAC2-based Coupled Matrix and Tensor Factorizations},
author = {Carla Schenker and Xiulin Wang and Evrim Acar},
journal= {arXiv preprint arXiv:2210.13054},
year = {2023}
}