面向大规模数据的可扩展鲁棒张量环分解
机器学习
2023-05-17 v1 机器学习
摘要
张量环（TR）分解因其对高阶张量优越的表达性能近来受到更多关注。然而，传统 TR 分解算法在真实应用中的适用性受限于普遍的大数据规模、缺失项以及离群值损坏。本工作中，我们提出一种可扩展且鲁棒的 TR 分解算法，能够处理带缺失项与严重损坏的大规模张量数据。我们首先发展了一种新颖的自适应加权最速下降法，可在分解过程中自适应填补缺失项并识别离群值。进一步，利用张量环模型，我们发展了新颖的快速 Gram 矩阵计算（FGMC）方法与随机子张量草图（RStS）策略，显著降低了存储与计算复杂度。实验结果表明，所提方法在存在离群值时优于现有 TR 分解方法，且比现有鲁棒张量补全算法显著更快。
引用
@article{arxiv.2305.09044,
title = {Scalable and Robust Tensor Ring Decomposition for Large-scale Data},
author = {Yicong He and George K. Atia},
journal= {arXiv preprint arXiv:2305.09044},
year = {2023}
}