张量序列上的子空间核学习
机器学习
2026-03-23 v1 人工智能
计算机视觉与模式识别
摘要
从结构化多方式数据（表示为高阶张量）进行学习需要在保持计算效率的同时捕捉跨维度的复杂相互作用。我们引入不确定性驱动的核张量学习 (UKTL)，一种用于 模式张量的新型核框架，通过比较从张量展开派生的模式级子空间来实现表达且稳健的相似性度量。为处理大规模张量数据，我们提出了一种可扩展的 Nystr"{o}m 核线性化方法，动态学习枢轴张量通过软 -means 聚类获得。UKTL 的一个关键创新是其不确定性感知的子空间加权，这会根据估计的置信度自适应地降低不可靠的模式组件的权重，从而提高在输入张量和枢轴张量之间的比较的鲁棒性和可解释性。我们的框架是完全端到端可训练的，天然通过结构化核组合实现多方式和多模式相互作用。在动作识别基准数据集 (NTU-60、NTU-120、Kinetics-Skeleton) 上的大量评估表明，UKTL 实现了最先进的性能、卓越的泛化能力以及有意义的模式级洞察。该工作建立了一个原则性、可扩展且可解释的结构化多方式和多模式张量序列核学习范式。
引用
@article{arxiv.2603.19546,
title = {Subspace Kernel Learning on Tensor Sequences},
author = {Lei Wang and Xi Ding and Yongsheng Gao and Piotr Koniusz},
journal= {arXiv preprint arXiv:2603.19546},
year = {2026}
}
备注
Accepted at the Fourteenth International Conference on Learning Representations (ICLR 2026)