基于张量分解与最大相关熵准则的鲁棒低管秩张量补全
机器学习
2022-10-18 v2 机器学习
摘要
张量补全的目标是从其部分观测条目中恢复出一个张量，通常利用其低秩性质。在几种有用的张量秩定义中，低管秩被证明能对张量固有的低秩结构给出有价值的刻画。尽管近期已提出一些性能良好的低管秩张量补全算法，这些算法利用二阶统计量来度量误差残差，当观测条目含有较大离群值时可能表现不佳。本文提出一种新的低管秩张量补全目标函数，使用相关熵作为误差度量以缓解离群值的影响。为高效优化所提目标，我们借助半二次最小化技术，将优化转化为加权低管秩张量分解问题。随后，我们提出两种简单高效的算法求解，并给出其收敛性与复杂度分析。基于合成与真实数据的数值结果证明了所提算法的鲁棒性与优越性能。
引用
@article{arxiv.2010.11740,
title = {Robust Low-tubal-rank Tensor Completion based on Tensor Factorization and Maximum Correntopy Criterion},
author = {Yicong He and George K. Atia},
journal= {arXiv preprint arXiv:2010.11740},
year = {2022}
}