論文の概要: Robust Tensor Principal Component Analysis: Exact Recovery via Deterministic Model

• arxiv url: http://arxiv.org/abs/2008.02211v1
• Date: Wed, 5 Aug 2020 16:26:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-11-02 17:55:49.973868
• Title: Robust Tensor Principal Component Analysis: Exact Recovery via Deterministic Model
• Title（参考訳）: ロバストテンソル主成分分析:決定論的モデルによる完全回復
• Authors: Bo Shen, Zhenyu (James) Kong
• Abstract要約: 本稿では,ロバストテンソル主成分分析法(RTPCA)を提案する。 これは最近開発されたテンソルテンソル積とテンソル特異値分解(t-SVD)に基づいている。
• 参考スコア（独自算出の注目度）: 5.414544833902815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tensor, also known as multi-dimensional array, arises from many applications in signal processing, manufacturing processes, healthcare, among others. As one of the most popular methods in tensor literature, Robust tensor principal component analysis (RTPCA) is a very effective tool to extract the low rank and sparse components in tensors. In this paper, a new method to analyze RTPCA is proposed based on the recently developed tensor-tensor product and tensor singular value decomposition (t-SVD). Specifically, it aims to solve a convex optimization problem whose objective function is a weighted combination of the tensor nuclear norm and the l1-norm. In most of literature of RTPCA, the exact recovery is built on the tensor incoherence conditions and the assumption of a uniform model on the sparse support. Unlike this conventional way, in this paper, without any assumption of randomness, the exact recovery can be achieved in a completely deterministic fashion by characterizing the tensor rank-sparsity incoherence, which is an uncertainty principle between the low-rank tensor spaces and the pattern of sparse tensor.
• Abstract（参考訳）: テンソルは多次元配列としても知られ、信号処理、製造プロセス、医療などの多くの応用から生じる。 テンソル文学において最も一般的な方法の1つとして、ロバストテンソル主成分分析(RTPCA)はテンソル内の低階成分とスパース成分を抽出する非常に効果的なツールである。 本稿では,最近開発されたテンソルテンソル積とテンソル特異値分解(t-SVD)に基づいてRTPCAを解析する新しい手法を提案する。 具体的には、テンソル核ノルムとl1-ノルムの重み付け結合を目的関数とする凸最適化問題を解くことを目的とする。 RTPCAのほとんどの文献において、正確な回復はテンソルの不整合条件とスパース支持に関する一様モデルの仮定に基づいて構築される。 この従来の方法とは異なり、本論文では、低ランクテンソル空間とスパーステンソルパターンの不確かさであるテンソル階数-スパーシティの不整合を特徴付けることによって、完全決定論的手法で正確なリカバリを実現することができる。

関連論文リスト

• Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
  低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。 従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。 本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:05:37Z)
• Low-Rank Implicit Neural Representation via Schatten-p Quasi-Norm and Jacobian Regularization [49.158601255093416]
  暗黙的神経表現のためのニューラルネットワークによりパラメータ化されたCPベースの低ランクテンソル関数を提案する。 滑らか性のために、ヤコビアンとハッチンソンのトレース推定器のスペクトルノルムに基づく正規化項を提案する。 提案した滑らか度正規化はSVDフリーであり、明示的な連鎖規則の導出を避ける。
  論文  参考訳（メタデータ） (2025-06-27T11:23:10Z)
• A Scalable Factorization Approach for High-Order Structured Tensor Recovery [30.876260188209105]
  分解は、非常に小さな次元の約$N$因子を使って$N$のテンソルを表すが、パラメータの数を著しく減少させる。 これらの問題に対する計算的メモリ効率のアプローチは、局所アルゴリズムを用いた因子を直接的に最適化することである。 様々なテンソル分解問題を解くための因子分解の統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-06-19T05:07:07Z)
• Revisit CP Tensor Decomposition: Statistical Optimality and Fast Convergence [6.724750970258851]
  統計学的観点からカノニカルポリアディクス(CP)テンソル分解を再検討する。 本稿では,信号+雑音モデルに基づくAlternating Least Squares(ALS)の包括的理論的解析を行う。
  論文  参考訳（メタデータ） (2025-05-29T03:42:03Z)
• Tensor cumulants for statistical inference on invariant distributions [49.80012009682584]
  我々は,PCAが信号の大きさの臨界値で計算的に困難になることを示す。 我々は、与えられた次数の不変量に対して明示的でほぼ直交的な基底を与える新しい対象の集合を定義する。 また、異なるアンサンブルを区別する新しい問題も分析できます。
  論文  参考訳（メタデータ） (2024-04-29T14:33:24Z)
• Low-Multi-Rank High-Order Bayesian Robust Tensor Factorization [7.538654977500241]
  本稿では,ベイジアンフレームワーク内の低階高階ロバスト因子分解(LMH-BRTF)と呼ばれる新しい高階TRPCA法を提案する。 具体的には、観測された劣化テンソルを、低ランク成分、スパース成分、ノイズ成分の3つの部分に分解する。 注文$d$ t-SVDに基づいて低ランクコンポーネントの低ランクモデルを構築することで、LMH-BRTFはテンソルのマルチランクを自動的に決定できる。
  論文  参考訳（メタデータ） (2023-11-10T06:15:38Z)
• Optimizing Orthogonalized Tensor Deflation via Random Tensor Theory [5.124256074746721]
  本稿では、ランダムノイズテンソルから相関成分を持つ低ランク信号テンソルを復元する問題に取り組む。 非直交成分はテンソルデフレレーション機構を変化させ、効率的に回復するのを防ぐことができる。 デフレレーション機構で導入されたパラメータを最適化することにより、効率的なテンソルデフレレーションアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-11T22:23:27Z)
• Decomposable Sparse Tensor on Tensor Regression [1.370633147306388]
  テンソル回帰のスパースローランクテンソルを考えると、予測子 $mathcalX$ とレスポンス $mathcalY$ はどちらも高次元テンソルである。 本稿では,契約部と生成部から構成されるステージワイド探索に基づく高速解を提案する。
  論文  参考訳（メタデータ） (2022-12-09T18:16:41Z)
• Error Analysis of Tensor-Train Cross Approximation [88.83467216606778]
  我々は, テンソル全体の精度保証を行う。 結果は数値実験により検証され、高次テンソルに対するクロス近似の有用性に重要な意味を持つ可能性がある。
  論文  参考訳（メタデータ） (2022-07-09T19:33:59Z)
• When Random Tensors meet Random Matrices [50.568841545067144]
  本稿では,ガウス雑音を伴う非対称次数-$d$スパイクテンソルモデルについて検討する。 検討したモデルの解析は、等価なスパイクされた対称テクシットブロック-ワイドランダム行列の解析に起因していることを示す。
  論文  参考訳（メタデータ） (2021-12-23T04:05:01Z)
• Tensor Full Feature Measure and Its Nonconvex Relaxation Applications to Tensor Recovery [1.8899300124593645]
  完全特徴量(FFM)と呼ばれる新しいテンソル間隔尺度を提案する。 これは各次元の特徴次元を同時に記述することができ、タッカーランクとテンソルチューブランクを結びつけることができる。 FFMに基づく2つの効率的なモデルを提案し、提案モデルを解決するために2つの代替乗算器法(ADMM)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-09-25T01:44:34Z)
• MTC: Multiresolution Tensor Completion from Partial and Coarse Observations [49.931849672492305]
  既存の完備化の定式化は、主に1つのテンソルからの部分的な観測に依存する。 この問題を解決するために,効率的なマルチレゾリューション・コンプリート・モデル(MTC)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T02:20:03Z)
• Scaling and Scalability: Provable Nonconvex Low-Rank Tensor Estimation from Incomplete Measurements [30.395874385570007]
  基本的な課題は、高度に不完全な測定からテンソルを忠実に回収することである。 タッカー分解におけるテンソル因子を直接回復するアルゴリズムを開発した。 2つの正準問題に対する基底真理テンソルの線形独立率で確実に収束することを示す。
  論文  参考訳（メタデータ） (2021-04-29T17:44:49Z)
• Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
  我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。 暗黙正則化現象の理論的保証を提供する。
  論文  参考訳（メタデータ） (2020-07-16T13:27:47Z)
• 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)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。