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

最新推荐文章于 2024-02-01 10:59:24 发布
最新推荐文章于 2024-02-01 10:59:24 发布
阅读量2.6k 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。
摘要由CSDN通过智能技术生成

 

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

最低0.47元/天 解锁文章
mojingmiao
关注
  • 7
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
Paper notes（4）：Tensor Ring Decompoition
coldsun233的博客
05-13 1278
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
svd算法matlab代码-tr-als-sampled:张量环分解的采样最小二乘方平方的代码
05-27
svd算法matlab代码基于采样的张量环分解方法 此仓库提供了用于本文实验的代码 一种基于采样的张量环分解方法。 奥斯曼·阿西夫·马利克（Osman Asif Malik）和史蒂芬·贝克尔（Stephen Becker）。 arXiv：2010.08581 可以从下载。 一些进一步的细节 脚本tr_als_sampled.m是用于张量环分解的建议TR-ALS-Sampled方法的Matlab实现。 脚本experiment1.m用于对合成数据进行实验， experiment4.m用于对真实数据进行实验。 以下文件提供了我们在本文中进行比较的方法的实现： tr_als.m ：标准TR-ALS算法。 rtr_als.m ：rTR-ALS算法。 TRdecomp_ranks.m ：这就是我们在本文中称为TR-SVD的东西。 这是TRdecomp.m的修改版本，可从网站获得。 tr_svd_rand.m ：这是TR-SVD的随机变体，在本文中称为TR-SVD-Rand。 要求 我们的tr_als_sampled.m需要mtimesx，可在以下位置找到。 我们还在此存储库的help_funct
2016-Tensor Ring Decomposition-论文笔记
qq_39913121的博客
03-16 1352
张量文章
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
汇报记录--tensor train neural network and tensor ring complement
qq_35755674的博客
12-13 921
本次内容仅为自适应课程汇报记录，内容为tensor train 和 tensor ring相关应用的简单介绍 Tensor Train neural work 什么是张量？ 0路阵列为标量，1路阵列为向量，2路阵列为矩阵，3路及以上阵列就称为张量。 为什么需要张量？ 矩阵分析的方法对于张量不可行。这里不可行指的是矩阵的分析方法。既然张量的计算最终也是展开成矩阵，为什么说矩阵分析方法不可行呢？这很好理解，矩阵分解的目的是在保留原始数据的前提下进行降维，如果我们直接对张量展开，那么数据的分布就会杂乱且丢失（可以
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
07-03 293
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
LRTDTV(released_version).zip_Low-Rank Tensor_decomposition_low r
07-14
为了恢复高光谱图像的原始细节和清晰度，研究人员提出了多种处理方法，其中低秩张量分解（Low-Rank Tensor Decomposition, LRTD）已经成为一个热门的研究方向。 低秩张量分解的核心思想是利用数据的内在低秩性来...
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 ...
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...
pytorch: tensor类型的构建与相互转换实例
12-25
Summary 主要包括以下三种途径： 使用独立的函数；...long_tensor = tensor.long() print(long_tensor) # torch.half()将tensor投射为半精度浮点类型 half_tensor = tensor.half() print(half_tensor) #
tensor_toolbox：MATLAB Tensor Toolbox（作者Tamara Kolda）
02-03
Tensor Toolbox是MATLAB环境下用于处理和分析多维数据的一个强大工具箱，由Tamara G. Kolda和Brett W. Bader共同开发。这个工具箱提供了多种算法和函数，专注于张量（tensor）的分解、操作和表示，极大地扩展了...
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
07-08 559
对Tensor Ring Decomposition with Rank Minimization onLatent Space一文求解算法部分的python实现
ADMM优化算法
热门推荐
pizibing880909的专栏
03-13 1万+
从等式约束的最小化问题说起：                                                                                          上面问题的拉格朗日表达式为：                                                也就是前面的最小化问题可以写为：             
基于张量补全的交通数据复原文献汇总（最新）
SmartLab307的博客
06-06 1545
由于传感器故障和通信故障等因素导致的交通数据缺失严重制约了ITS的发展与应用。如何准确、高效地恢复缺失数据已成为ITS的一个关键问题。近年来，LRTC（低秩张量补全）的方法已被广泛应用于交通数据补全。本文将介绍几篇最新的关于交通数据补全的文献。欢迎批评指正！
低秩分解
weixin_30650859的博客
11-07 1451
十岁的小男孩 　　本文为终端移植的一个小章节。 目录 　　概念 　　1. 奇异值（SVD）分解 　　2. 张量分解 　　　　2.1CP 分解( Canonical Polyadic Decomposition (CPD) 　　　　2.2 TD 分解( Tucker Decomposition ) 　　　　2.3 BTD 分解（block term decomposition） ...
张量学习：张量补全（tensor completion）
SmartLab307的博客
04-07 5069
目录 一、什么是张量（Tensor）? 二、张量补全（tensor completion） 1 基于张量分解的方法 1.1 基于CP分解 1.2 基于Tucker分解 1.3 基于张量链分解 1.4 基于张量环分解 1.5 基于t-SVD分解 2 秩最小化模型 2.1 Tucker秩最小化模型 2.2 张量链秩最小化模型 2.3 管秩最小化模型 一、什么是张量（Tensor）? 张量这个词英文叫Tensor。很多人有可能觉得比较陌生，但相信大部分人都听说过Tensor...
张量（五）：张量学习——BGCP
wwb44444的博客
11-02 3592
接下来的文章将主要介绍张量在交通领域的实际应用，包括预测、补全等问题。与其他模型相结合，针对具体问题，构建的一系列模型，我这里统称为“张量学习模型”。本文主要介绍Bayesian Gaussian CANDECOMP/PARAFAC tensor decomposition model（BGCP）。 1 背景 随着智能交通系统的发展和应用，大量城市交通数据通过各种来源如环路检测器、摄像机等被捕获，这些数据可用于交通运营和管理应用，包括路由、信号控制、出行时间预测等。通常，我们可以将时空交通数据组织成一个
基于低秩张量填充的图像修复【初尝试】
qq_46401500的博客
12-08 1319
利用低秩张量的概念，构建凸优化问题，对受损图像进行修复
【图像重建】基于Low CP Rank and Tucker Rank Tensor补全估计图像数据中的缺失分量附matlab复现
最新发布
matlab_dingdang的博客
02-01 791
张量补全可恢复多路数据的缺失分量。现有方法在低秩张量优化中使用 Tucker 秩或 CANDECOMP/PARAFAC (CP) 秩来完成数据补全。事实上，这两种张量秩代表了不同的高维数据结构。在本文中，我们建议通过联合最小化低秩张量近似中的 CP 秩和 Tucker 秩，同时利用两种数据结构进行图像恢复。我们使用乘子交替方向法（ADMM）将具有两个张量秩的优化模型重新表述为两个子问题，每个子问题只有一个张量秩优化。对于ADMM中的两个主要子问题，我们分别应用秩一张量更新和矩阵核范数加权和最小化方法来解决。
torch::Tensor to caffe2::Tensor
03-29
In this example, we create a `torch::Tensor` with dimensions 2x3 and fill it with ones. Then, we pass a pointer to the data and the dimensions to the `caffe2::TensorCPU` constructor to create a `caffe...
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