张量分解(三):Tucker分解

张量分解系列:
张量分解(一):基础知识
张量分解(二):CP分解
张量分解(三):Tucker分解
张量分解(四):Tensor-train Decomposition
张量分解(五):Tensorizing Neural Network
张量分解(六):TTRNN model for video classification

在讲解Tucker分解之前,我们先看一下Tucker分解在三阶张量上的分解形式:
这里写图片描述
Tucker分解(Tucker decomposition)是高阶的主成分分析的一种形式。它将一个张量分解成一个核张量与每一维矩阵的乘积,具体如下:
这里写图片描述
这里 A ∈ R I × P , B ∈ R J × Q , A ∈ R K × R A\in R^{I\times P},B\in R^{J\times Q},A\in R^{K\times R} ARI×P,BRJ×Q,ARK×R是因子矩阵(通常是正交的),可以当做是每一维上的主要成分。核张量表示每一维成分之间的联系:
这里写图片描述
在元素级别上,我们可以把Tucker分解表示为:
这里写图片描述
实际上,当核张量是对角化的且 P = Q = R P=Q=R P=Q=R 时,CP分解便是Tucker分解的一种特殊形式。
同样的,N维张量可以表示成以下形式:
这里写图片描述
至于Tucker分解的优化方法,有HOSVD和HOOI等方法。
HOSVD:
这里写图片描述
HOOI:
这里写图片描述
至于HOOI方法的推导,说实话我没太看懂,就不强行解释了。先把具体流程附上来,等有时间再仔细研究研究:
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述

参考:tensor decompositions and application

评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值