論文の概要: Global and Local Structure Learning for Sparse Tensor Completion
- arxiv url: http://arxiv.org/abs/2503.20929v1
- Date: Wed, 26 Mar 2025 19:02:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:51:51.529688
- Title: Global and Local Structure Learning for Sparse Tensor Completion
- Title(参考訳): スパーステンソル完了のための大域的・局所的構造学習
- Authors: Dawon Ahn, Evangelos E. Papalexakis,
- Abstract要約: 本稿では,テンソルの欠落を正確に予測するために,TGL(Tensor Decomposition Learning Global and Local Structures)を提案する。
TGLは、事前の知識なしにGNNで局所構造を学習する因子でテンソルを再構成する。
- 参考スコア(独自算出の注目度): 4.39243873090962
- License:
- Abstract: How can we accurately complete tensors by learning relationships of dimensions along each mode? Tensor completion, a widely studied problem, is to predict missing entries in incomplete tensors. Tensor decomposition methods, fundamental tensor analysis tools, have been actively developed to solve tensor completion tasks. However, standard tensor decomposition models have not been designed to learn relationships of dimensions along each mode, which limits to accurate tensor completion. Also, previously developed tensor decomposition models have required prior knowledge between relations within dimensions to model the relations, expensive to obtain. This paper proposes TGL (Tensor Decomposition Learning Global and Local Structures) to accurately predict missing entries in tensors. TGL reconstructs a tensor with factor matrices which learn local structures with GNN without prior knowledges. Extensive experiments are conducted to evaluate TGL with baselines and datasets.
- Abstract(参考訳): 各モードに沿って次元の関係を学習することで、正確にテンソルを完遂するにはどうすればよいのか?
テンソル完備化は、広く研究されている問題であり、不完全テンソルの不足成分を予測することである。
基本テンソル解析ツールであるテンソル分解法は、テンソル完了タスクを解決するために活発に開発されている。
しかし、標準テンソル分解モデルは、正確なテンソル完備化に制限のある各モードに沿った次元の関係を学習するために設計されていない。
また、以前に開発されたテンソル分解モデルでは、関係をモデル化するために次元内の関係間の事前の知識が必要であり、取得するのにコストがかかる。
本稿では,テンソルの欠落を正確に予測するために,TGL(Tensor Decomposition Learning Global and Local Structures)を提案する。
TGLは因子行列でテンソルを再構成し、GNNで局所構造を学習する。
TGLをベースラインとデータセットで評価するために、大規模な実験が行われた。
関連論文リスト
- Scalable CP Decomposition for Tensor Learning using GPU Tensor Cores [47.87810316745786]
本研究では,エクサスケールテンソル分解を支援する圧縮型テンソル分解フレームワークを提案する。
ベースラインと比較すると、エクスカスケール・テンソルは8000倍のテンソルをサポートし、スピードアップは6.95倍である。
また,本手法を遺伝子解析とテンソル層ニューラルネットワークを含む実世界の2つの応用に適用する。
論文 参考訳(メタデータ) (2023-11-22T21:04:59Z) - Provable Tensor Completion with Graph Information [49.08648842312456]
本稿では,動的グラフ正規化テンソル完備問題の解法として,新しいモデル,理論,アルゴリズムを提案する。
我々はテンソルの低ランクおよび類似度構造を同時に捉える包括的モデルを開発する。
理論の観点からは、提案したグラフの滑らか度正規化と重み付きテンソル核ノルムとの整合性を示す。
論文 参考訳(メタデータ) (2023-10-04T02:55:10Z) - Tensor Completion via Leverage Sampling and Tensor QR Decomposition for
Network Latency Estimation [2.982069479212266]
大規模なネットワーク遅延推定には、多くの計算時間が必要です。
より高速で高精度な新しい手法を提案する。
数値実験により,本手法は精度のよい最先端アルゴリズムよりも高速であることが確認された。
論文 参考訳(メタデータ) (2023-06-27T07:21:26Z) - Guaranteed Tensor Recovery Fused Low-rankness and Smoothness [38.0243349269575]
我々は、本質的にはテンソルの L と S の両方を同時に符号化する一意な正規化項を構築する。
これはテンソルリカバリのための全ての関連するL+S法の中では初めての正確な復元結果である。
論文 参考訳(メタデータ) (2023-02-04T12:20:32Z) - 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) - 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) - JULIA: Joint Multi-linear and Nonlinear Identification for Tensor
Completion [46.27248186328502]
本稿では,大規模テンソル完備化のためのMUlti-linearおよびNon Linear IdentificAtionフレームワークを提案する。
6つの実大規模テンソルの実験は、JULIAが既存のテンソル完備化アルゴリズムよりも優れていることを示した。
論文 参考訳(メタデータ) (2022-01-31T20:18:41Z) - 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) - Low-Rank and Sparse Enhanced Tucker Decomposition for Tensor Completion [3.498620439731324]
テンソル完備化のために,低ランクかつスパースに拡張されたタッカー分解モデルを導入する。
我々のモデルはスパースコアテンソルを促進するためにスパース正規化項を持ち、テンソルデータ圧縮に有用である。
テンソルに出現する潜在的な周期性と固有相関特性を利用するので,本モデルでは様々な種類の実世界のデータセットを扱うことが可能である。
論文 参考訳(メタデータ) (2020-10-01T12:45:39Z)
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。