Fugu-MT 論文翻訳(概要): Tensor completion using enhanced multiple modes low-rank prior and total variation

論文の概要: Tensor completion using enhanced multiple modes low-rank prior and total variation

arxiv url: http://arxiv.org/abs/2004.08747v3
Date: Wed, 6 May 2020 00:57:57 GMT
ステータス: 処理完了
システム内更新日: 2022-12-12 00:24:15.577888
Title: Tensor completion using enhanced multiple modes low-rank prior and total variation
Title（参考訳）: 拡張多重モード低ランク前・全変動を用いたテンソル補修
Authors: Haijin Zeng, Xiaozhen Xie, Jifeng Ning
Abstract要約: 本稿では,2つの核ノルム正規化低ランク行列因数分解を,基礎となるテンソルの全モード行列化に同時に実行することにより,低ランクテンソルを復元する新しいモデルを提案する。アルゴリズムの逐次収束性を確立し,軽度条件下で座標最小化器に収束する。
参考スコア（独自算出の注目度）: 1.3406858660972554
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we propose a novel model to recover a low-rank tensor by simultaneously performing double nuclear norm regularized low-rank matrix factorizations to the all-mode matricizations of the underlying tensor. An block successive upper-bound minimization algorithm is applied to solve the model. Subsequence convergence of our algorithm can be established, and our algorithm converges to the coordinate-wise minimizers in some mild conditions. Several experiments on three types of public data sets show that our algorithm can recover a variety of low-rank tensors from significantly fewer samples than the other testing tensor completion methods.
Abstract（参考訳）: 本稿では,二重核ノルム正規化低ランク行列因子化と基底テンソルの全モードマージを同時に行うことにより,低ランクテンソルを回復する新しいモデルを提案する。モデルを解くためにブロック列上界最小化アルゴリズムが適用される。我々のアルゴリズムのサブシーケンス収束は確立でき、いくつかの穏やかな条件下では、我々のアルゴリズムは座標方向最小化器に収束する。 3種類の公開データセットに関するいくつかの実験により、我々のアルゴリズムは、他の試験テンソル完成法よりもはるかに少ないサンプルから様々な低ランクテンソルを復元できることを示した。

関連論文リスト

ADMM-MM Algorithm for General Tensor Decomposition [7.0326155922512275]
提案アルゴリズムは3つの基本損失関数(ell$-loss, $ell$-loss, KL divergence)と様々な低ランクテンソル分解モデル(CP, Tucker, TT, TR)をサポートする。提案したアルゴリズムにより広帯域のアプリケーションを解くことができ、プラグイン・アンド・プレイ方式で既存のテンソル分解モデルに容易に拡張できることを示す。
論文参考訳（メタデータ） (2023-12-19T00:17:34Z)
Stochastic Optimization for Non-convex Problem with Inexact Hessian Matrix, Gradient, and Function [99.31457740916815]
信頼領域(TR)と立方体を用いた適応正則化は、非常に魅力的な理論的性質を持つことが証明されている。 TR法とARC法はヘッセン関数,勾配関数,関数値の非コンパクトな計算を同時に行うことができることを示す。
論文参考訳（メタデータ） (2023-10-18T10:29:58Z)
Robust empirical risk minimization via Newton's method [9.797319790710711]
実験的リスク最小化のためのニュートン法の新しい変種について検討した。目的関数の勾配と Hessian は、ロバストな推定器に置き換えられる。また,共役勾配法に基づくニュートン方向のロバストな解を求めるアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-01-30T18:54:54Z)
Faster One-Sample Stochastic Conditional Gradient Method for Composite Convex Minimization [61.26619639722804]
滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
論文参考訳（メタデータ） (2022-02-26T19:10:48Z)
Information-Theoretic Generalization Bounds for Iterative Semi-Supervised Learning [81.1071978288003]
特に,情報理論の原理を用いて,反復型SSLアルゴリズムのエミュレータ一般化誤差の振る舞いを理解することを目的とする。我々の理論的結果は、クラス条件分散があまり大きくない場合、一般化誤差の上限は反復数とともに単調に減少するが、すぐに飽和することを示している。
論文参考訳（メタデータ） (2021-10-03T05:38:49Z)
New Riemannian preconditioned algorithms for tensor completion via polyadic decomposition [10.620193291237262]
これらのアルゴリズムは、ポリアジック分解形態におけるローランクテンソルの因子行列の積空間上の非ユークリッド計量を利用する。提案された勾配降下アルゴリズムがテンソル完備問題の定常点にグローバルに収束することを証明する。合成データと実世界のデータの数値計算結果から,提案アルゴリズムは最先端アルゴリズムよりもメモリと時間において効率的であることが示唆された。
論文参考訳（メタデータ） (2021-01-26T22:11:06Z)
Learning Mixtures of Low-Rank Models [89.39877968115833]
低ランクモデルの計算混合を学習する問題について検討する。ほぼ最適サンプルを用いて未知の行列を復元することが保証されるアルゴリズムを開発する。さらに,提案アルゴリズムはランダムノイズに対して確実に安定である。
論文参考訳（メタデータ） (2020-09-23T17:53:48Z)
Enhanced nonconvex low-rank approximation of tensor multi-modes for tensor completion [1.3406858660972554]
我々は、新しい低ランク近似テンソルマルチモード(LRATM)を提案する。ブロックバウンド法に基づくアルゴリズムは,提案手法を効率的に解くために設計されている。 3種類の公開多次元データセットの数値計算結果から,本アルゴリズムは様々な低ランクテンソルを復元可能であることが示された。
論文参考訳（メタデータ） (2020-05-28T08:53:54Z)
Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation [105.33409035876691]
本稿では,テンソル低ランクモデルに基づくマルチビュースペクトルクラスタリング(MVSC)の問題について検討する。 MVSCに適合する新しい構造テンソル低ランクノルムを設計する。提案手法は最先端の手法よりもかなり優れていることを示す。
論文参考訳（メタデータ） (2020-04-30T11:52:12Z)
Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文参考訳（メタデータ） (2020-02-21T17:45:32Z)
Tensor denoising and completion based on ordinal observations [11.193504036335503]
我々は,不完全と思われる順序値の観測から,低ランクテンソル推定の問題を考える。本稿では,マルチ線形累積リンクモデルを提案し,ランク制約付きM推定器を開発し,理論的精度の保証を得る。提案した推定器は低ランクモデルのクラスにおいて最小限最適であることを示す。
論文参考訳（メタデータ） (2020-02-16T07:09:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。