Scoup-SMT: 可扩展的耦合稀疏矩阵-张量分解
机器学习
2013-03-01 v1 机器学习
摘要
我们如何将人脑对词语做出反应时的神经活动与关于这些相同词语的问题答案所表达的行为数据关联起来？简而言之，我们想要找到能够同时解释脑活动和行为反应的潜在变量。我们表明这是耦合矩阵-张量分解问题的一个实例。我们提出Scoup-SMT，一种新颖、快速且并行的算法，用于解决耦合矩阵-张量分解问题，并生成数据的稀疏潜在低秩子空间。在我们的实验中，我们发现Scoup-SMT比最先进的耦合矩阵-张量分解算法快50-100倍，同时稀疏性提高了5倍。此外，我们将Scoup-SMT扩展到处理缺失数据而不降低性能。我们将Scoup-SMT应用于BrainQ数据集，该数据集由一个（名词，脑体素，人类受试者）张量和一个（名词，属性）矩阵组成，沿名词维度耦合。Scoup-SMT能够找到有意义的潜在变量，并以具有竞争力的准确性预测脑活动。最后，我们通过将Scoup-SMT应用于Facebook数据集（用户，朋友，墙贴）来展示其通用性；在那里，Scoup-SMT发现了类似垃圾邮件发送者的异常。
引用
@article{arxiv.1302.7043,
title = {Scoup-SMT: Scalable Coupled Sparse Matrix-Tensor Factorization},
author = {Evangelos E. Papalexakis and Tom M. Mitchell and Nicholas D. Sidiropoulos and Christos Faloutsos and Partha Pratim Talukdar and Brian Murphy},
journal= {arXiv preprint arXiv:1302.7043},
year = {2013}
}
备注
9 pages