基于梯度张量核 L1-L2 范的鲁棒张量完成：用于交通数据恢复
机器学习
2025-07-01 v1 信号处理
机器学习
摘要
在实际场景中，时空交通数据常因传感器故障和通信故障而遭受缺失值和噪声的双重退化。因此，有效的数据恢复方法对于确保下游数据驱动应用的可靠性至关重要。虽然经典的张量完成方法已被广泛采用，但它们无法建模噪声，难以适用于同时存在数据缺失和噪声干扰的复杂场景。现有的鲁棒张量完成 (RTC) 方法通过独立建模实际张量数据和噪声来提供潜在解决方案。然而，其有效性常受制于凸秩替代器的过于宽松以及局部一致性的次优利用，导致模型准确性不足。为此，我们首先引入张量 L1-L2 范，这是一种新型非凸张量秩替代器，作为有效的低秩表示工具。基于先进的特征融合策略，我们进一步开发了梯度张量 L1-L2 范，通过在梯度域中集成张量 L1-L2 范。将梯度张量核 L1-L2 范集成到 RTC 框架后，我们提出了基于梯度张量核 L1-L2 范的鲁棒张量完成模型 (RTC-GTNLN)，该模型既能充分利用全局低秩性和局部一致性，又无需权衡参数，还能有效处理交通数据中缺失数据和噪声的双重退化。多个真实交通数据集上的大量实验表明，RTC-GTNLN 模型在涉及同时缺失值和噪声的复杂恢复场景中始终优于现有最先进的方法。
引用
@article{arxiv.2506.22732,
title = {Robust Tensor Completion via Gradient Tensor Nulclear L1-L2 Norm for Traffic Data Recovery},
author = {Hao Shu and Jicheng Li and Tianyv Lei and Lijun Sun},
journal= {arXiv preprint arXiv:2506.22732},
year = {2025}
}