論文の概要: Exploring Numerical Priors for Low-Rank Tensor Completion with
Generalized CP Decomposition
- arxiv url: http://arxiv.org/abs/2302.05881v3
- Date: Tue, 2 May 2023 08:50:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 17:18:05.516133
- Title: Exploring Numerical Priors for Low-Rank Tensor Completion with
Generalized CP Decomposition
- Title(参考訳): 一般化cp分解による低ランクテンソル完全化の数値予測
- Authors: Shiran Yuan and Kaizhu Huang
- Abstract要約: 本研究は, GCDTC (Generalized CP Decomposition Completion) と呼ばれる新しい方法論の枠組みを構築し, 数値計算の精度を高めた。
実世界のデータに関する一連の実験は、SPTCが現在の最先端技術よりも精度が高い結果をもたらすことを示した。
- 参考スコア(独自算出の注目度): 17.13799076039395
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tensor completion is important to many areas such as computer vision, data
analysis, and signal processing. Enforcing low-rank structures on completed
tensors, a category of methods known as low-rank tensor completion has recently
been studied extensively. While such methods attained great success, none
considered exploiting numerical priors of tensor elements. Ignoring numerical
priors causes loss of important information regarding the data, and therefore
prevents the algorithms from reaching optimal accuracy. This work attempts to
construct a new methodological framework called GCDTC (Generalized CP
Decomposition Tensor Completion) for leveraging numerical priors and achieving
higher accuracy in tensor completion. In this newly introduced framework, a
generalized form of CP Decomposition is applied to low-rank tensor completion.
This paper also proposes an algorithm known as SPTC (Smooth Poisson Tensor
Completion) for nonnegative integer tensor completion as an instantiation of
the GCDTC framework. A series of experiments on real-world data indicated that
SPTC could produce results superior in completion accuracy to current
state-of-the-arts.
- Abstract(参考訳): テンソル補完はコンピュータビジョン、データ解析、信号処理など多くの分野において重要である。
完成テンソル上の低ランク構造を強制する手法として、低ランクテンソル完全化(low-rank tensor completion)と呼ばれる手法が最近広く研究されている。
このような手法は大きな成功を収めたが、テンソル要素の数値的事前化を活用しようと考える者はいなかった。
数値を無視すると、データに関する重要な情報が失われ、アルゴリズムが最適な精度に達するのを防ぐ。
本研究は,数値前処理を活用し,より高精度なテンソル補完を実現するために,gcdtc(generalized cp decomposition tensor completion)と呼ばれる新しい手法フレームワークの構築を試みるものである。
この新たなフレームワークでは、低ランクテンソル完備化にCP分解の一般化形式を適用する。
本稿では、GCDTCフレームワークのインスタンス化として、非負整数テンソル補完のためのSPTC(Smooth Poisson Tensor Completion)と呼ばれるアルゴリズムを提案する。
実世界のデータに関する一連の実験は、SPTCが現在の最先端技術よりも精度が高い結果をもたらすことを示した。
関連論文リスト
- Guaranteed Nonconvex Low-Rank Tensor Estimation via Scaled Gradient Descent [4.123899820318987]
本稿では,テンソル因子を直接推定するスケールド勾配降下法(ScaledGD)を提案する。
理論上、ScaledGD は基底真理低ランクテンソルの条件数に依存しない定数速度で線形収束を達成する。
虚弱条件下での低ランクテンソル推定の収束速度を加速する上でのScaledGDの有効性を示す数値的な例を提供する。
論文 参考訳(メタデータ) (2025-01-03T08:26:01Z) - Sparse is Enough in Fine-tuning Pre-trained Large Language Models [98.46493578509039]
我々はSparse Increment Fine-Tuning (SIFT) という勾配に基づくスパース微調整アルゴリズムを提案する。
GLUE Benchmark や Instruction-tuning などのタスクで有効性を検証する。
論文 参考訳(メタデータ) (2023-12-19T06:06:30Z) - Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。
カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。
我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-10-09T03:55:09Z) - Unsupervised Learning of Initialization in Deep Neural Networks via
Maximum Mean Discrepancy [74.34895342081407]
本稿では,入力データに対する優れた初期化を求めるための教師なしアルゴリズムを提案する。
まず、パラメータ空間における各パラメータ構成が、d-way分類の特定の下流タスクに対応することに気付く。
次に、学習の成功は、初期パラメータの近傍で下流タスクがいかに多様であるかに直接関連していると推測する。
論文 参考訳(メタデータ) (2023-02-08T23:23:28Z) - Fast and Provable Tensor Robust Principal Component Analysis via Scaled
Gradient Descent [30.299284742925852]
本稿では、テンソルロバスト主成分分析(RPCA)に取り組む。
希少な腐敗によって汚染された観測から低ランクのテンソルを回収することを目的としている。
提案アルゴリズムは, 最先端行列やテンソルRPCAアルゴリズムよりも, より優れた, よりスケーラブルな性能を実現する。
論文 参考訳(メタデータ) (2022-06-18T04:01:32Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳(メタデータ) (2022-05-19T08:37:56Z) - Noisy Tensor Completion via Low-rank Tensor Ring [41.86521269183527]
テンソル完了は不完全なデータ解析の基本的なツールであり、その目標は部分的な観測から欠落するエントリを予測することである。
既存の手法は、観測されたエントリがノイズフリーであるという明示的あるいは暗黙的な仮定をしばしば示し、欠落したエントリの正確な回復を理論的に保証する。
本稿では,高次・高次観測の劣化処理における既存の作業の非効率性を補完する新しいノイズテンソル補完モデルを提案する。
論文 参考訳(メタデータ) (2022-03-14T14:09:43Z) - Provable Tensor-Train Format Tensor Completion by Riemannian
Optimization [22.166436026482984]
TT形式テンソル完備化のためのRGradアルゴリズムの収束に関する最初の理論的保証を提供する。
また, 逐次2次モーメント法(Sequence second-order moment method)と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2021-08-27T08:13:58Z) - Robust M-estimation-based Tensor Ring Completion: a Half-quadratic
Minimization Approach [14.048989759890475]
我々はM推定器を誤差統計量として用いるテンソル環完備化への頑健なアプローチを開発する。
truncatedの特異値分解と行列分解に基づくHQに基づく2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-06-19T04:37:50Z) - 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) - Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。
Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文 参考訳(メタデータ) (2020-04-20T18:12:56Z)
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。
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。