TenIPS：用于张量补全的逆倾向得分采样
机器学习
2021-04-23 v3 机器学习
最优化与控制
摘要
张量被广泛用于表示多向数组数据。张量中缺失项的恢复已被广泛研究，通常基于条目完全随机缺失（MCAR）的假设。然而，在大多数实际场景中，观测值非随机缺失（MNAR）：某条目被观测到的概率（亦称倾向得分）可能依赖于张量中的其他条目，甚至依赖于缺失条目的值。本文中，我们研究在无从倾向得分的先验信息下，补全具有 MNAR 观测的部分观测张量的问题。为补全张量，我们假设原始张量与倾向得分张量均具有低多线性秩。该算法首先利用凸松弛估计倾向得分，随后使用高阶 SVD 方法、以逆倾向得分对观测张量重新加权来预测缺失值。我们给出了所得完整张量的有限样本误差界。数值实验证明了我们方法的有效性。
引用
@article{arxiv.2101.00323,
title = {TenIPS: Inverse Propensity Sampling for Tensor Completion},
author = {Chengrun Yang and Lijun Ding and Ziyang Wu and Madeleine Udell},
journal= {arXiv preprint arXiv:2101.00323},
year = {2021}
}
备注
AISTATS 2021