基于自适应采样的时空张量草图化
机器学习
2020-06-23 v1 机器学习
摘要
挖掘海量时空数据可助力城市规划、事件管理与社交网络分析等多种真实世界应用。张量表示可用于捕捉空间与时间的相关性，并以无监督方式同时利用时空模式的潜在结构。然而，时空数据量的增长使得使用张量分解进行存储与分析的开销 prohibitively 昂贵。本文提出 SkeTenSmooth，一种新颖的张量分解框架，使用自适应采样以时间流式压缩张量并保留底层全局结构。SkeTenSmooth 根据检测到的数据动态自适应采样输入的张量切片。因此，草图更具代表性且蕴含更多张量动态模式信息。此外，我们提出一种鲁棒张量分解方法，可处理草图张量并恢复原始模式。在纽约市黄色出租车数据上的实验表明，SkeTenSmooth 大幅降低内存开销，并在保留底层模式方面优于随机采样与固定速率采样方法。
引用
@article{arxiv.2006.11943,
title = {Spatio-Temporal Tensor Sketching via Adaptive Sampling},
author = {Jing Ma and Qiuchen Zhang and Joyce C. Ho and Li Xiong},
journal= {arXiv preprint arXiv:2006.11943},
year = {2020}
}