Fugu-MT 論文翻訳(概要): ADMM-MM Algorithm for General Tensor Decomposition

論文の概要: ADMM-MM Algorithm for General Tensor Decomposition

arxiv url: http://arxiv.org/abs/2312.11763v1
Date: Tue, 19 Dec 2023 00:17:34 GMT
ステータス: 処理完了
システム内更新日: 2023-12-20 17:36:12.683097
Title: ADMM-MM Algorithm for General Tensor Decomposition
Title（参考訳）: 一般テンソル分解のためのADMM-MMアルゴリズム
Authors: Manabu Mukai, Hidekata Hontani, Tatsuya Yokota
Abstract要約: 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。
参考スコア（独自算出の注目度）: 7.0326155922512275
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we propose a new unified optimization algorithm for general tensor decomposition which is formulated as an inverse problem for low-rank tensors in the general linear observation models. The proposed algorithm supports three basic loss functions ($\ell_2$-loss, $\ell_1$-loss and KL divergence) and various low-rank tensor decomposition models (CP, Tucker, TT, and TR decompositions). We derive the optimization algorithm based on hierarchical combination of the alternating direction method of multiplier (ADMM) and majorization-minimization (MM). We show that wide-range applications can be solved by the proposed algorithm, and can be easily extended to any established tensor decomposition models in a {plug-and-play} manner.
Abstract（参考訳）: 本稿では,一般線形観測モデルにおける低ランクテンソルの逆問題として定式化された一般テンソル分解のための新しい統一最適化アルゴリズムを提案する。提案アルゴリズムは,3つの基本損失関数 (\ell_2$-loss, $\ell_1$-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。乗算器の交互方向法(ADMM)と最大化最小化法(MM)を階層的に組み合わせた最適化アルゴリズムを導出する。提案手法により広域応用が解くことができ, 任意の確立されたテンソル分解モデルに対して, {plug-and-play} 方式で容易に拡張できることを示す。

関連論文リスト

On the Correctness of the Generalized Isotonic Recursive Partitioning Algorithm [9.482025609011123]
本稿では, 一般等速再帰分割法 (GIRP) アルゴリズムを, 分離凸損失下での等速モデルの適合性について詳細に解析する。 GIRPアルゴリズムは、アルゴリズムの各ステップにおいて、中間解が等調性制約を満たすような魅力的な特徴を示す。 GIRP の小さな修正は正しい解を得るのに十分であり、すべての中間解が等方性であることの望ましい性質を保っている。
論文参考訳（メタデータ） (2024-01-09T23:17:05Z)
Neural Lattice Reduction: A Self-Supervised Geometric Deep Learning Approach [12.679411410749521]
本稿では,ニューラルネットワークによる格子縮小問題に対するアルゴリズム空間のパラメータ化と,教師付きデータを持たないアルゴリズムの探索を行うことが可能であることを示す。本研究では,一様行列の因子を出力する深層ニューラルネットワークを設計し,非直交格子基底をペナルライズして自己指導的に学習する。提案手法は,一連のベンチマークにおいて,Lenstra-Lenstra-Lov'aszアルゴリズムに匹敵する複雑性と性能を持つアルゴリズムが得られることを示す。
論文参考訳（メタデータ） (2023-11-14T13:54:35Z)
An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-09-30T15:57:14Z)
Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
論文参考訳（メタデータ） (2023-02-24T18:41:48Z)
Adaptive Stochastic Optimisation of Nonconvex Composite Objectives [2.1700203922407493]
一般化された複合ミラー降下アルゴリズムの一群を提案し,解析する。適応的なステップサイズでは、提案アルゴリズムは問題の事前知識を必要とせずに収束する。決定集合の低次元構造を高次元問題に活用する。
論文参考訳（メタデータ） (2022-11-21T18:31:43Z)
Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。この問題は楕円分布のペナルティ化された最大推定値として表される。楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文参考訳（メタデータ） (2022-10-21T13:19:45Z)
The Dynamics of Riemannian Robbins-Monro Algorithms [101.29301565229265]
本稿では,Robins と Monro のセミナル近似フレームワークを一般化し拡張するリーマンアルゴリズムの族を提案する。ユークリッドのそれと比較すると、リーマンのアルゴリズムは多様体上の大域線型構造が欠如しているため、はるかに理解されていない。ユークリッド・ロビンス=モンロスキームの既存の理論を反映し拡張するほぼ確実な収束結果の一般的なテンプレートを提供する。
論文参考訳（メタデータ） (2022-06-14T12:30:11Z)
Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。新規な構造化融合正規化に基づく一般グラフ推定器を提案する。提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文参考訳（メタデータ） (2021-03-05T04:42:32Z)
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)
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)
Tensor completion using enhanced multiple modes low-rank prior and total variation [1.3406858660972554]
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。
論文参考訳（メタデータ） (2020-04-19T02:23:06Z)

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。