基于属性神经融合的欠计数张量补全
机器学习
2023-06-07 v1 信号处理
摘要
在许多学科（如流行病学和生态学）收集的数据中观察到系统性欠计数效应。欠计数张量补全（UC-TC）对许多数据分析任务很有动机，例如从邻近区域欠计数的病例数推断未观测地点的传染病病例数。然而，针对类似问题的现有方法常缺乏理论支撑，难以理解经验成功之外的潜在原理与条件。本工作中，提出一种带有具表达力的未知非线性侧信息提取器的低秩泊松张量模型，用于欠计数多切面数据。设计了一种联合低秩张量补全与神经网络学习算法来恢复该模型。此外，UC-TC 公式得到理论分析支撑，表明在合理条件下，张量的全计数条目及每项的欠计数概率可从部分观测中可证明地恢复。据我们所知，该结果是首个为欠计数多切面数据补全提供理论支撑的工作。模拟与真实数据实验证实了理论论断。
引用
@article{arxiv.2306.03273,
title = {Under-Counted Tensor Completion with Neural Incorporation of Attributes},
author = {Shahana Ibrahim and Xiao Fu and Rebecca Hutchinson and Eugene Seo},
journal= {arXiv preprint arXiv:2306.03273},
year = {2023}
}
备注
33 pages, 5 figures, ICML 2023