通过基于 PID 优化器的快速张量潜在分解进行水质数据插补
机器学习
2025-03-11 v1
摘要
水质数据可以为水资源利用和污染防治提供重要的决策支持。然而，由于传感器故障等不可避免的因素，水质数据中存在大量缺失值，从而导致水文分析结果产生偏差，并无法准确支持环境治理决策。采用随机梯度下降的张量潜在分解被证明是一种有效的插补方法。然而，基于标准 SGD 的 LFT 模型通常存在收敛缓慢的问题，这损害了其效率。为了解决这个问题，本文提出了一种快速张量潜在分解模型。它通过利用非线性 PID 控制器将预测误差的过去、当前和未来信息纳入 SGD，从而构建了一个调整后的实例误差，以提高收敛速度。与在真实世界数据集上的 SOTA 模型相比，实验结果表明 FLFT 模型实现了更好的收敛速度和更高的精度。
引用
@article{arxiv.2503.06997,
title = {Water Quality Data Imputation via A Fast Latent Factorization of Tensors with PID-based Optimizer},
author = {Qian Liu and Lan Wang and Bing Yang and Hao Wu},
journal= {arXiv preprint arXiv:2503.06997},
year = {2025}
}