面向时序张量分解的流式因子轨迹学习
机器学习
2023-11-09 v2
摘要
实际张量数据常伴随时间信息。多数现有时序分解方法为每个张量模态中的对象估计一组固定因子，因而无法捕捉对象表征的时间演化。更重要的是，我们缺乏从流式数据中捕捉此种演化的有效方法，而流式数据在真实应用中十分常见。为解决这些问题，我们提出面向时序张量分解的流式因子轨迹学习（SFTL）。我们使用高斯过程（GPs）对因子轨迹建模，以灵活估计其时间演化。为应对处理流式数据的计算挑战，我们通过构造等价的随机微分方程（SDE）将 GPs 转化为状态空间先验。我们开发了高效的在线滤波算法，在接收到新数据时估计所涉因子状态的解耦运行后验。该解耦估计使我们能进行标准 Rauch-Tung-Striebel 平滑以并行计算所有轨迹的完整后验，无需重访任何先前数据。我们已在合成任务与真实应用中展示了 SFTL 的优势。代码见 {https://github.com/xuangu-fang/Streaming-Factor-Trajectory-Learning}。
引用
@article{arxiv.2310.17021,
title = {Streaming Factor Trajectory Learning for Temporal Tensor Decomposition},
author = {Shikai Fang and Xin Yu and Shibo Li and Zheng Wang and Robert Kirby and Shandian Zhe},
journal= {arXiv preprint arXiv:2310.17021},
year = {2023}
}