PREMA：基于多聚合视图的原则性张量数据恢复方法
机器学习
2020-04-14 v2 数据库
机器学习
摘要
多维数据已无处不在，常出现在信息跨多个数据原子聚合的情形中。聚合可针对时间或其他特征（如地理位置）进行。我们常能获取同一数据的多个聚合视图，每个视图在一个或多个维度上聚合，尤其在数据由不同机构收集或测量时。例如，商品销量可按时间聚合，也可按门店位置或归属分组聚合。然而，数据挖掘与机器学习模型受益于细粒度数据以实现个性化分析与预测。因此，数据解聚合算法在各领域日益重要。本文旨在从多个粗粒度视图（在不同（子集）维度上聚合）重建更细尺度数据。所提方法 PREMA 利用低秩张量分解工具融合多视图，并在特定条件下提供恢复保证。PREMA 可应对具挑战性的场景，如数据缺失或部分观测、双重聚合，甚至使用其变体 B-PREMA 实现盲解聚合（无需聚合模式知识）。为展示 PREMA 有效性，本文包含来自不同领域的真实数据广泛实验：零售销量、犯罪计数与气象观测。
引用
@article{arxiv.1910.12001,
title = {PREMA: Principled Tensor Data Recovery from Multiple Aggregated Views},
author = {Faisal M. Almutairi and Charilaos I. Kanatsoulis and Nicholas D. Sidiropoulos},
journal= {arXiv preprint arXiv:1910.12001},
year = {2020}
}