论文笔记：Tensor Ring Decomposition with Rank Minimization on Latent Space

最新推荐文章于 2023-06-18 22:39:32 发布
最新推荐文章于 2023-06-18 22:39:32 发布
阅读量3k 收藏 18
点赞数 7
分类专栏： 论文笔记
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/105791394
版权
该论文提出了一种结合低秩结构和张量分解的新算法，通过在TR分解的因子上应用核范数，实现张量填充的高效低秩约束。研究建立了多线性张量秩与TR因子秩的理论联系，并利用ADMM优化算法进行求解。这种方法减少了SVD操作，提高了算法稳定性和效率。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

 

一、本文创新点

二、符号和定义

1、TR-decomposition

2、常见的张量分解算法（Completion by TR decomposition）

3、基于秩最小的张量填充算法（rank minimization-based tensor completion）

三、新模型横空出世

四、优化算法ADMM

一、本文创新点

之前的张量补全算法大致分为两类：一是基于低秩结构（添加各种范数进行约束），一种是基于张量分解的方法。而这篇文章完美结合了这两种算法，在张量分解的因子上添加核范数，这一招果然妙呀，作者想到了分解后的因子应该也具有低秩结构，这使得SVD操作在更小的范围中进行，将大大减少计算量。这项工作完成地非常不错。

1、建立了多线性张量秩与TR因子秩之间的理论关系，使得低秩约束可以隐式地在TR潜空间上进行。

2、进一步利用核范数对矩阵进行正则化，使我们的算法总能得到一个稳定的解

3、提出了一种基于ADMM的优化算法

二、符号和定义

1、TR-decomposition

                                 

2、常见的张量分解算法（Completion by TR decomposition）

weighted CP (Acar et al. 2011)、weighted Tucker (Filipovic and Juki´c 2015)
TRWOPT (Yuan et al. 2018)、TRALS (Wang, Aggarwal, and Aeron 2017)

 

其中TRWORT和TRALS使用相同的优化模型;

                                      

这两种方法都使用梯度下降的方法进行优化，速度较快，但缺点就是必须对秩进行估计，这限制了算法的高效性。

最低0.47元/天 解锁文章
TMI 2024 | 光学相干层析成像(OCT)图像去噪的张量环分解引导字典学习
小白学视觉
03-04 80
光学相干层析成像（Optical Coherence Tomography, OCT）是一种用于视网膜组织成像的非侵入性和有效工具。然而，由于光波的多次散射产生的重斑点噪声，会掩盖重要的形态结构，损害对眼病的临床诊断。在本文中，我们提出了一种新颖而强大的模型，称为张量环分解引导字典学习（Tensor Ring Decomposition Guided Dictionary Learning, TRGDL），用于OCT图像去噪，该模型可以同时利用两种有用的互补先验，即三维低秩和稀疏先验，在一个统一框架下。具体
2016-Tensor Ring Decomposition-论文笔记
qq_39913121的博客
03-16 1759
张量文章
论文笔记：Higher-dimension Tensor Completion via Low-rank Tensor Ring Decomposition
mojingmiao的博客
04-26 1117
一、本文工作 1、基于最近提出的TR分解，我们提出了一种新的张量补全算法——张量环加权优化 2、利用梯度下降法对TR潜在因子进行了优化，并利用它们来预测不完全张量的缺失项。 二、基本知识 1、张量环分解模型 2、张量矩阵化（沿n模展开） （1）第一种方式： （2）第二种方式： 三、本文模型 ...
Tensor Wheel Decomposition
weixin_44370695的博客
06-18 214
张量的分解：Tensor wheel decomposition如下：定理一：定理二：定理三：定理四：
对Tensor Ring Decomposition with Rank Minimization onLatent Space一文求解算法部分公式的推导
qq_45968933的博客
07-03 363
阅读论文：Tensor Ring Decomposition with Rank Minimization on Latent Space: An Efficient Approach for Tensor Completion 对于ADMM算法求解目标函数的公式推导
Tensor Decomposition
weixin_34178244的博客
10-02 152
1. Tensor Decomposition and its application:http://epubs.siam.org/doi/pdf/10.1137/07070111X 转载于:https://www.cnblogs.com/stoneresearch/p/4336596.html
对Tensor Ring Decomposition with Rank Minimization onLatent Space一文求解算法部分的python实现
qq_45968933的博客
07-08 645
对Tensor Ring Decomposition with Rank Minimization onLatent Space一文求解算法部分的python实现
【论文阅读笔记】NeurIPS2020文章列表Part2
zincrain的博客
12-09 6227
Online Multitask Learning with Long-Term Memory Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting On Reward-Free Reinforcement Learning with Linear Function A.
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3478
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
【论文阅读笔记】NeurIPS2020文章列表Part1
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
Tensor Decompositions and Applications
10-09
This survey provides an overview of higher-order tensor decompositions, their applications, and available software. A tensor is a multidimensional or N-way array. Decompositions of higher-order tensors (i.e., N-way arrays with N ≥ 3) have applications in psychometrics, chemometrics, signal processing, numerical linear algebra, computer vision, numerical analysis, data mining, neuroscience, graph analysis, and elsewhere. Two particular tensor decompositions can be considered to be higher-order extensions of the matrix singular value decomposition:CANDECOMP/PARAFAC (CP) decomposes a tensor as a sum of rank-one tensors, and the Tucker decomposition is a higher-order form of principal component analysis. There are many other tensor decompositions, including INDSCAL, PARAFAC2, CANDELINC, DEDICOM, and PARATUCK2 as well as nonnegative variants of all of the above. The N-way Toolbox, Tensor Toolbox, and Multilinear Engine are examples of software packages for working with tensors.
Tensor Decompositions and applications
12-27
关于张量在HSI中的应用 一种TD分解 widespread use of multisensor technology and the emergence of big data sets have highlighted the limitations of standard flat-view matrix models and the necessity to move toward more versatile data analysis tools. We show that higher-order tensors (i.e., multiway arrays) enable such a fundamental paradigm shift toward models that are essentially polynomial, the uniqueness of which, unlike the matrix methods, is guaranteed under very mild and natural conditions. Benefiting from the power of multilinear algebra as their mathematical backbone, data analysis techniques using tensor decompositions are shown to have great flexibility in the choice of constraints which match data properties and extract more general latent components in the data than matrix-based methods
CVPR2018下载+CVPR2018论文百度云+2018CVPR论文下载+2018CVPR百度云
王博（Kings）的博客
06-25 5035
链接：https://pan.baidu.com/s/1QUXtDp5RQVNx-R55TkL13Q 提取码：
Paper notes（4）：Tensor Ring Decompoition
coldsun233的博客
05-13 1538
Paper notes（4）：Tensor Ring Decompoition1.文章提出的问题2.文章的主要创新点3.Tensor Ring Model4.TRD算法 本文只是个人用于记录论文学习笔记，如有写错的地方还望各位大佬批评指正 1.文章提出的问题 Tensor−Train DecompositionTensor-Train\ DecompositionTensor−Train Decomposition 高度依赖于张量维度的排列，由于其在latent coresla
浅析张量分解（Tensor Decomposition）
热门推荐
yixianfeng41的专栏
06-10 8万+
一般一维数组，我们称之为向量（vector）,二维数组，我们称之为矩阵（matrix）;三维数组以及多位数组，我们称之为张量（tensor）。 在介绍张量分解前，我们先看看矩阵分解相关知识概念。一、基本概念矩阵补全（Matrix Completion）目的是为了估计矩阵中缺失的部分（不可观察的部分），可以看做是用矩阵X近似矩阵M，然后用X中的元素作为矩阵M中不可观察部分的元素的估计。矩
张量（二）：张量分解（tensor decomposition）
wwb44444的博客
10-06 2万+
与矩阵分解一样，我们希望通过张量分解去提取原数据中所隐藏的信息或主要成分。当前主流的张量分解方法有CP分解，Tucker分解，t-SVD分解等，更新的方法大多是在他们的基础上做进一步的改进或引用。因此，张量分解也是张量算法的基础。下面分别做介绍。 一、CP分解 CP分解是将任意高阶张量分解成多个秩为1的“因子张量”之和。如下图，每个因子张量的单个维度上秩都为1。若一个三维张量的数据为，则其CP分解表达式为，其中R为张量秩的大小，向量之间的乘积是外积的形式。虽然CP分解的表达式很简洁，但对其秩的求解却是一
std::vector<at::Tensor> 转换at::Tensor
最新发布
11-19
`std::vector<at::Tensor>` 是一个包含多个`aten::Tensor`类型的动态向量，在PyTorch库中用于存储一系列张量。如果你想要将这个向量转换成单个`at::Tensor`，你可以通过序列连接所有元素或者使用`torch.cat()`函数。 例如： ```cpp #include <torch/torch.h> // 假设你有一个std::vector<at::Tensor>叫vec_tensors std::vector<at::Tensor> vec_tensors = {tensor1, tensor2, tensor3}; // 使用cat()函数合并所有张量 at::Tensor combined_tensor = torch::cat(vec_tensors, 0); // 如果你想沿着第0维堆叠 // 或者遍历每个张量并逐个拼接 if (!vec_tensors.empty()) { at::Tensor result; for (const auto& t : vec_tensors) { result = result.cat(t, 0); // 这里假设你希望沿第0维连接 } combined_tensor = result; } ``` 这里的关键点是`cat()`函数，它能够按照指定维度将多个张量组合起来。
评论 5
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