論文の概要: Bayesian Robust Tensor Ring Model for Incomplete Multiway Data

• arxiv url: http://arxiv.org/abs/2202.13321v1
• Date: Sun, 27 Feb 2022 09:25:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 13:32:12.601489
• Title: Bayesian Robust Tensor Ring Model for Incomplete Multiway Data
• Title（参考訳）: 不完全多路データに対するベイズロバストテンソル環モデル
• Authors: Zhenhao Huang, Guoxu Zhou, Yuning Qiu
• Abstract要約: 低ランクテンソル補完は、観測データから欠落したエントリを復元することを目的としている。 本稿では,RTC問題に対するロバストテンソルリング(BRTR)分解法を提案する。 実験により、BRTRは回復性能が向上し、他の最先端手法よりもノイズを除去できることが示された。
• 参考スコア（独自算出の注目度）: 7.765112574724006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-rank tensor completion aims to recover missing entries from the observed data. However, the observed data may be disturbed by noise and outliers. Therefore, robust tensor completion (RTC) is proposed to solve this problem. The recently proposed tensor ring (TR) structure is applied to RTC due to its superior abilities in dealing with high-dimensional data with predesigned TR rank. To avoid manual rank selection and achieve a balance between low-rank component and sparse component, in this paper, we propose a Bayesian robust tensor ring (BRTR) decomposition method for RTC problem. Furthermore, we develop a variational Bayesian (VB) algorithm to infer the probability distribution of posteriors. During the learning process, the frontal slices of previous tensor and horizontal slices of latter tensor shared with the same TR rank with zero components are pruned, resulting in automatic rank determination. Compared with existing methods, BRTR can automatically learn TR rank without manual fine-tuning of parameters. Extensive experiments indicate that BRTR has better recovery performance and ability to remove noise than other state-of-the-art methods.
• Abstract（参考訳）: 低ランクテンソル補完は、観測データから欠落したエントリを復元することを目的としている。 しかし、観測されたデータはノイズや異常により妨害される可能性がある。 したがって、この問題を解決するために、ロバストテンソル完備化(RTC)を提案する。 最近提案されたテンソルリング(TR)構造は、事前設計されたTRランクを持つ高次元データを扱う能力に優れたため、RTCに適用される。 本稿では,手動のランク選択を回避し,低ランク成分とスパース成分のバランスを達成するために,RTC問題に対するベイズ系ロバストテンソルリング(BRTR)分解法を提案する。 さらに,後方の確率分布を推定するための変分ベイズアルゴリズム(VB)を開発した。 学習過程において、前段テンソルの前段スライスと後段テンソルの水平スライスとを同一のtrランクで共有し、その成分をゼロにすることで自動的にランク決定を行う。 既存の手法と比較して、BRTRはパラメータを手動で微調整することなくTRランクを自動的に学習することができる。 広汎な実験により、BRTRは回復性能が向上し、他の最先端手法よりもノイズを除去できることがわかった。

関連論文リスト

• Estimating the Hessian Matrix of Ranking Objectives for Stochastic Learning to Rank with Gradient Boosted Trees [63.18324983384337]
  グラディエントブースト決定木(GBDT)のランク付け手法について紹介する。 我々の主な貢献は、二階微分、すなわちヘッセン行列に対する新しい推定器である。 推定器を既存のPL-Rankフレームワークに組み込む。
  論文  参考訳（メタデータ） (2024-04-18T13:53:32Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• 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)
• Robust Data Clustering with Outliers via Transformed Tensor Low-Rank Representation [4.123899820318987]
  テンソルローランク表現 (TLRR) はテンソルデータリカバリとクラスタリングの一般的なツールとなっている。 本稿では,外乱テンソル低ランク表現(OR-TLRR)を開発する。 OR-TLRRは、t-SVDフレームワークに基づいて、外部検出とテンソルデータクラスタリングを同時に提供する。
  論文  参考訳（メタデータ） (2023-07-18T08:11:08Z)
• 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)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Knockoffs-SPR: Clean Sample Selection in Learning with Noisy Labels [56.81761908354718]
  雑音ラベルを用いた学習のための,理論的に保証されたクリーンサンプル選択フレームワークを提案する。 Knockoffs-SPRは、標準的な教師付きトレーニングパイプラインのサンプル選択モジュールと見なすことができる。 さらに、ラベルなしデータとしてノイズデータのサポートを利用する半教師付きアルゴリズムと組み合わせる。
  論文  参考訳（メタデータ） (2023-01-02T07:13:28Z)
• Bayesian Low Rank Tensor Ring Model for Image Completion [44.148303000278574]
  低階テンソルリングモデルは、データ取得と変換において欠落したエントリを復元する画像補完に強力である。 本稿では,データの低階構造を自動的に学習することにより,画像補完のためのベイズ型低階テンソルリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-29T02:58:25Z)
• 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)
• TRP: Trained Rank Pruning for Efficient Deep Neural Networks [69.06699632822514]
  低位近似とトレーニングを交互に行うTrated Rank Pruning (TRP)を提案する。 サブ段階降下により最適化された核正則化を利用して、TRPの低位化をさらに促進する。 TRPトレーニングネットワークは本質的に低ランク構造であり、無視可能な性能損失と近似される。
  論文  参考訳（メタデータ） (2020-04-30T03:37:36Z)

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。