Fugu-MT 論文翻訳(概要): Graph Regularized Nonnegative Tensor Ring Decomposition for Multiway Representation Learning

論文の概要: Graph Regularized Nonnegative Tensor Ring Decomposition for Multiway Representation Learning

arxiv url: http://arxiv.org/abs/2010.05657v1
Date: Mon, 12 Oct 2020 12:54:20 GMT
ステータス: 処理完了
システム内更新日: 2022-10-08 07:27:13.220429
Title: Graph Regularized Nonnegative Tensor Ring Decomposition for Multiway Representation Learning
Title（参考訳）: マルチウェイ表現学習のためのグラフ正規化非負テンソルリング分解
Authors: Yuyuan Yu, Guoxu Zhou, Ning Zheng, Shengli Xie and Qibin Zhao
Abstract要約: 非負のテンソルリング(NTR)分解とグラフ正規化NTR(GNTR)分解を提案する。提案アルゴリズムは、より解釈可能で意味のある表現を提供するテンソルオブジェクトから、リッチな色とリッチな線で部品ベースを抽出することができる。
参考スコア（独自算出の注目度）: 38.70369173200596
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Tensor ring (TR) decomposition is a powerful tool for exploiting the low-rank nature of multiway data and has demonstrated great potential in a variety of important applications. In this paper, nonnegative tensor ring (NTR) decomposition and graph regularized NTR (GNTR) decomposition are proposed, where the former equips TR decomposition with local feature extraction by imposing nonnegativity on the core tensors and the latter is additionally able to capture manifold geometry information of tensor data, both significantly extend the applications of TR decomposition for nonnegative multiway representation learning. Accelerated proximal gradient based methods are derived for NTR and GNTR. The experimental result demonstrate that the proposed algorithms can extract parts-based basis with rich colors and rich lines from tensor objects that provide more interpretable and meaningful representation, and hence yield better performance than the state-of-the-art tensor based methods in clustering and classification tasks.
Abstract（参考訳）: テンソルリング(TR)分解は、マルチウェイデータの低ランクな性質を利用する強力なツールであり、様々な重要な応用において大きな可能性を示している。本稿では、非負のテンソルリング(NTR)分解とグラフ正規化NTR(GNTR)分解を提案し、前者は、コアテンソルに非負性を与えることにより局所特徴抽出による局所特徴抽出によるTR分解を行い、後者はテンソルデータの多様体幾何情報も捉えることができ、TR分解の非負のマルチウェイ表現学習への応用を大きく拡張することができる。加速近位勾配法はNTRおよびGNTRに対して導出される。実験の結果,提案手法は,より解釈可能で有意義な表現を提供するテンソルオブジェクトから,豊かな色とリッチラインを持つ部分ベースベースを抽出でき,クラスタリングや分類タスクにおいて最先端のテンソルベース手法よりも優れた性能が得られることがわかった。

関連論文リスト

Scalable and Robust Tensor Ring Decomposition for Large-scale Data [12.02023514105999]
本稿では,大規模テンソルデータに欠落したエントリと粗悪な破損を扱えるスケーラブルで堅牢なTR分解アルゴリズムを提案する。まず, 欠落したエントリを適応的に満たし, 分解過程における外れ値の同定が可能な, 自己重み付き急勾配降下法を開発した。
論文参考訳（メタデータ） (2023-05-15T22:08:47Z)
Deep Graph Neural Networks via Flexible Subgraph Aggregation [50.034313206471694]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習し、近隣情報を集約することでノードの表現を学ぶ。本稿では,サブグラフアグリゲーションの観点から,GNNの表現力を評価する。サブグラフアグリゲーションの異なるホップをより柔軟に活用できるサンプリングベースノードレベル残余モジュール(SNR)を提案する。
論文参考訳（メタデータ） (2023-05-09T12:03:42Z)
Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文参考訳（メタデータ） (2023-03-29T14:54:19Z)
Fast Learnings of Coupled Nonnegative Tensor Decomposition Using Optimal Gradient and Low-rank Approximation [7.265645216663691]
交互勾配法(CoNCPD-APG)により最適化された新しい非負のCANDECOMP/PARAFAC分解アルゴリズムを提案する。提案手法は,低ランク近似をCONCPD-APG法と組み合わせることで,分解品質を損なうことなく計算負担を大幅に削減することができる。
論文参考訳（メタデータ） (2023-02-10T08:49:36Z)
OrthoReg: Improving Graph-regularized MLPs via Orthogonality Regularization [66.30021126251725]
グラフニューラルネットワーク(GNN)は現在、グラフ構造データのモデリングにおいて支配的である。グラフ正規化ネットワーク(GR-MLP)はグラフ構造情報をモデル重みに暗黙的に注入するが、その性能はほとんどのタスクにおいてGNNとほとんど一致しない。 GR-MLPは,最大数個の固有値が埋め込み空間を支配する現象である次元崩壊に苦しむことを示す。次元崩壊問題を緩和する新しいGR-MLPモデルであるOrthoRegを提案する。
論文参考訳（メタデータ） (2023-01-31T21:20:48Z)
Low-Rank Tensor Function Representation for Multi-Dimensional Data Recovery [52.21846313876592]
低ランクテンソル関数表現(LRTFR)は、無限解像度でメッシュグリッドを超えてデータを連続的に表現することができる。テンソル関数に対する2つの基本的な概念、すなわちテンソル関数ランクとローランクテンソル関数分解を開発する。提案手法は,最先端手法と比較して,提案手法の優越性と汎用性を裏付けるものである。
論文参考訳（メタデータ） (2022-12-01T04:00:38Z)
Fast Hypergraph Regularized Nonnegative Tensor Ring Factorization Based on Low-Rank Approximation [19.43953011889585]
多様体学習を用いた非負テンソルリング(NTR)分解は多次元構造を利用するための有望なモデルとなっている。本稿では,NTRの枠組みにハイパーグラフを導入し,特徴抽出をさらに強化する。計算複雑性を低減し,ノイズを抑制するため,HGNTRの高速化に低ランク近似手法を適用した。
論文参考訳（メタデータ） (2021-09-06T09:24:51Z)
Tensor completion via nonconvex tensor ring rank minimization with guaranteed convergence [16.11872681638052]
近年の研究では、テンソル環(TR)のランクはテンソル完備化において高い効果を示している。最近提案されたTRランクは、特異値が等しくペナル化される重み付き和の中で構造を捉えることに基づいている。本稿では,ロゼット型関数を非スムーズな緩和法として利用することを提案する。
論文参考訳（メタデータ） (2020-05-14T03:13:17Z)
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)
A Unified Framework for Coupled Tensor Completion [42.19293115131073]
結合テンソル分解は、潜在結合因子に由来する事前知識を組み込むことで、結合データ構造を明らかにする。 TRは強力な表現能力を持ち、いくつかの多次元データ処理アプリケーションで成功している。提案手法は, 合成データに関する数値実験で検証され, 実世界のデータに対する実験結果は, 回収精度の観点から, 最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-01-09T02:15:46Z)

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。