论文笔记 ：Tensor Factorization for Low-Rank Tensor Completion

最新推荐文章于 2023-10-31 10:04:47 发布
最新推荐文章于 2023-10-31 10:04:47 发布
阅读量2.5k 收藏 16
点赞数 2
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mojingmiao/article/details/105770288
版权
本文提出一种低秩张量分解方法用于解决张量补全问题，通过分解为两个小张量的乘积表示低秩结构。创新点包括自适应估计张量的低秩和算法的收敛性证明。模型从矩阵填充方法扩展，对比了SNN、矩阵分解和张量核范数(TNN)等方法。
摘要由CSDN通过智能技术生成

         一、本文创新点

二、符号和定义

三、以前的模型

四、本文的模型

一、本文创新点

1、针对张量补全问题，提出了一种有效的低秩张量分解方法；我们的方法通过把一个张量分解成两个更小张量的乘积来刻画它的低管秩结构，并且在每次迭代中只需要更新两个更小的张量

2、我们提出了一种自适应方法来估计每次迭代的张量低管秩。

3、我们证明了所提出的交替极小化算法可以收敛到一个Karush-Kuhn-Tucker点。

二、符号和定义

1、Discrete Fourier Transformation (DFT)

记\bar{\chi }\in \mathbb{C}^{n_{1}\times n_{2}\times n_{3}}作为\chi \in \mathbb{C}^{n_{1}\times n_{2}\times n_{3}} 的DFT的结果

定义DFT matrix：
 
       
其中：
 
   \bar{\chi }\left ( i,j,: \right )=F_{n3} \chi \left ( i,j,: \right )
 
2、
最低0.47元/天 解锁文章
mojingmiao
关注
  • 2
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
TuckER：Tensor Factorization for Knowledge Graph Completion.pdf
08-09
We propose TuckER, a relatively simple but powerful linear model based on Tucker decomposition of the binary tensor representation of knowledge graph triples. TuckER outperforms all previous state-of...
Efficient Low Rank Tensor Ring Completion笔记
qq_39913121的博客
03-16 1449
Abstract 使用最近提出的张量环 (TR) 分解的矩阵乘积状态 (MPS) 表示，在本文中，我们提出了一种 TR 补全算法，它是一种交替最小化算法，可在 MPS 表示中的因子上交替进行。 这种发展的部分原因是矩阵补全算法的成功，该算法在（低秩）因子上交替。 我们提出了一种新颖的初始化方法，并分析了 TR 补全算法的计算复杂度。 TR补全算法与采用低秩张量训练（TT）近似进行数据补全的现有算法之间的数值比较表明，我们的方法在各种实际计算机视觉设置中优于现有算法，从而证明了与张量训练相比， 张量环改进了的
多维图像去噪方法研究
SmartLab307的博客
05-04 2183
因此，HS图像丰富的空间和光谱信息极大地提高了地球观测的感知能力，这使得HS RS技术在精准农业（例如监测农作物的生长和健康）等领域发挥着至关重要的作用，太空探索（例如，寻找其他行星上的生命迹象）、污染监测（例如，检测海洋漏油）和军事应用（例如，识别军事目标）。综合实验证明：（i）BM3D系列用于各种去噪任务的有效性和效率，（ii）与张量算法相比，简单的基于矩阵的算法可以产生类似的结果，以及（iii）用合成高斯噪声训练的几个DNN模型在现实世界的彩色图像和视频数据集上显示出最先进的性能。
笔记：Sparse and Truncated Nuclear Norm Based Tensor Completion
Xue Shengke 博客
07-21 6280
本文是这篇 Neural Processing Letter 期刊论文的笔记，主要是对文中的理论方法进行展开详解。本人学术水平有限，文中如有错误之处，敬请指正。
张量（一）：张量基础
wwb44444的博客
10-05 7385
从今天开始，笔者将会持续更新关于张量的相关知识和最新研究成果。我们这里所说的张量知识主要是关于张量低秩分解，张量补全等算法和应用。在如今神经网络大火的年代，张量补全等算法无疑为预测、去噪等问题提供了新的解决方法和思路。接下来，且听我娓娓道来。 友情提醒：默认读者拥有线性代数的基础。 一、何为张量？ 在本科阶段，我们接触到最多的数据结构就是矩阵与向量。一维的向量与二维的矩阵分别能表示数据的一种与两种信息。然而，现实世界里大多数数据都具有多重属性，例如一个人就有姓名、年龄、性别、民族等多种信息，因此单纯的
张量（三）：张量鲁棒主成分分析（TRPCA）
wwb44444的博客
10-07 7550
基于张量分解，张量鲁棒主成分分析法（TRPCA）是对鲁棒主成分分析（RPCA）的高阶扩展，在数据去噪等领域拥有广泛应用。本篇将对TRPCA以及其最新的改进模型做出介绍。 一、RPCA 在实际应用中，很多数据矩阵往往是低秩或近似低秩的。理想状态下，数据矩阵的行与行之间应当具有极强的相似性，整个矩阵应当是低秩的。但由于数据噪声的存在，破坏了这种低秩性。因此，为了恢复矩阵的低秩结构，可将矩阵D分解为两个矩阵之和，即低秩矩阵A和稀疏矩阵E，D=A+E。低秩矩阵为分离了噪声的真实矩阵，稀疏矩阵为分离出的噪声矩阵。
张量奇异值分解
weixin_44134107的博客
12-23 669
张量奇异值分解
Hyperspectral Dimensionality Reduction by Tensor Sparse and Low-Rank Graph-Based Discriminant Analysis
02-07
本文提出了一种新的高光谱图像（Hyperspectral Image, HSI）降维方法——基于张量稀疏与低秩图的判别分析（Tensor Sparse and Low-Rank Graph-Based Discriminant Analysis, TSLGDA）。该方法针对传统SLGDA（Sparse ...
PyTorch 基础：Tensor（张量）-谢TS的博客.pdf
07-17
在PyTorch中，Tensor（张量）是其核心数据结构，它被广泛用于构建和训练深度学习模型。PyTorch是由Facebook开发的开源深度学习框架，它支持CPU和GPU加速计算，使得处理大规模数据变得更加高效。Tensor可以视为一个...
T2T：Tensor2Tensor变压器-Python开发
05-25
Tensor2Tensor或简称T2T是一个深度学习模型和数据集的库，旨在使深度学习更易于访问并加速ML研究。 Tensor2Tensor Tensor2Tensor或简称T2T，是一个深度学习模型和数据集的库，旨在使深度学习更易于访问并加速ML研究...
Spatial–spectral total variation regularized low-rank tensor decomposition for hyperspectral image denoising
02-08
Several bandwise total variation (TV) regularized low-rank (LR)-based models have been proposed to remove mixed noise in hyperspectral images (HSIs). These methods convert high-dimensional HSI data ...
笔记：Tensor RPCA: Exact recovery of corrupted low-rank tensors via convex optimization
qq_26499769的博客
01-16 1259
Lu, C., et al., Tensor robust principal component analysis: Exact recovery of corrupted low-rank tensors via convex optimization, in IEEE Conference on Computer Vision and Pattern Recognition. 2016. p
【文献阅读笔记】【标题：Multiview Subspace Clustering by an Enhanced Tensor Nuclear Norm （Schatten p-norm）】
最新发布
weixin_42949680的博客
10-31 139
t-SVD中使用的张量核范数最小化（TNNM）对每个奇异值均等正则化，这在矩阵完成和系数矩阵学习中没有意义。在这种情况下，奇异值代表不同的视角，应该区别对待。IEEE TRANSACTIONS ON CYBERNETICS + 2021 + 有。提出了Schatten p-norm。
【CVPR2022】论文列表与下载——PartFour
TomRen
06-12 2730
【CVPR2022】完整论文列表
基于深度学习方法与张量方法的图像去噪相关研究
SmartLab307的博客
03-22 4326
本文介绍深度学习的知识与张量相结合在图像去噪方面的应用。
TuckER:Tensor Factorization for Knowledge Graph Completion
qq_42397330的博客
04-30 1486
TuckER: Tensor Factorization for Knowledge Graph Completion 论文来源：ICML2019 论文链接：https://arxiv.org/abs/1901.09590 代码链接：https://github.com/ibalazevic/TuckER 总结：这篇文章利用了一个高级的公式，可能很多人看到这个公式就怕了，确实如此，我看到这个公式就晕了，不知道其中的具体含义，其实如果你实在搞不懂具体的意思，也可以忽略，大致理解作者的想法就行了，我是在看
论文笔记：Autoregressive Tensor Factorizationfor Spatio-temporal Predictions
qq_40206371的博客
11-16 867
0 摘要 张量因子tensor factorization分解方法在时空数据分析领域很受欢迎，因为它们能够处理多种类型的时空数据，处理缺失值，并提供计算效率高的参数估计程序。 然而，现有的张量因子分解方法并没有尝试学习空间自相关。这些方法使用先前推断的空间依赖性，通常导致插值和未知位置预测问题的性能较差。 本文提出了一种新的张量因子分解方法，通过同时学习空间和时间的自相关来估计低秩潜在因子。在现有空间自回归模型的基础上引入了新的空间自回归正则化方法，并给...
Low-Rank Tensor Constrained Multiview Subspace Clustering
weixin_42705436的博客
05-27 809
Abstract 本文提出一种低秩张量限制的多视图子空间聚类方法（LR-MSC）。这个方法是属于多视图子空间类别。该方法是将从不同视图中学习到的子空间表示矩阵看成一个张量，张量可以捕获多视图数据之间的高阶相关性。再对这个张量施加低秩约束，这个约束可以优雅的建模不同视图之间的交叉信息，从而有效的减少子空间表示的冗余，提高聚类的精确度。通过增广的拉格朗日交替方向乘子法(AL-ADM) 有效的解决优化问题，在各种实验数据集上证明了该方法的有效性。 ...
torch::Tensor 转为 caffe2::Tensor
03-29
可以使用以下代码将 torch::Tensor 转换为 caffe2::Tensor： ```c++ #include <caffe2/core/tensor.h> #include <torch/script.h> caffe2::Tensor convert_torch_to_caffe2(const torch::Tensor& input_tensor) { // 获取张量的形状和数据类型 auto shape = input_tensor.sizes(); caffe2::TypeMeta data_type; if (input_tensor.dtype() == torch::kFloat) { data_type = caffe2::TypeMeta::Make<float>(); } else if (input_tensor.dtype() == torch::kInt) { data_type = caffe2::TypeMeta::Make<int>(); } else { throw std::runtime_error("Unsupported data type"); } // 创建 caffe2::Tensor caffe2::Tensor output_tensor(data_type, caffe2::DeviceType::CPU); output_tensor.Resize(shape); // 将数据从 torch::Tensor 复制到 caffe2::Tensor if (input_tensor.is_contiguous()) { std::memcpy(output_tensor.mutable_data(), input_tensor.data_ptr(), input_tensor.nbytes()); } else { auto input_tensor_contiguous = input_tensor.contiguous(); std::memcpy(output_tensor.mutable_data(), input_tensor_contiguous.data_ptr(), input_tensor_contiguous.nbytes()); } return output_tensor; } ``` 这个函数将 `torch::Tensor` 转换为 `caffe2::Tensor` 并返回。注意，这个函数只支持 `float` 和 `int` 数据类型。如果需要支持其他数据类型，需要相应地修改代码。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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