参考文献:面向高维数据的聚类算法设计和张量低秩表示研究 卓林琳
文中提出了一种通用的因子矩阵更新规则,以适应不同的数据分布
,如Gaussian、Poisson和Exponential分布。这个规则是在单通道
模型基础上设计的,避免了生成大规模的中间矩阵,从而降低了计算和存储开销。
下面是该通用规则的详细介绍:
-
逐元素更新策略:
- 基于单通道模型设计的
逐元素
更新策略,遵循稀疏张量的稀疏性,避免生成大规模中间矩阵,只涉及向量元素的计算而非整个因子矩阵
,降低了资源消耗。
- 基于单通道模型设计的
-
自适应训练步长:
- 通过设置
自适应的训练步长
,确保了因子矩阵损失函数的单调性,同时保持因子矩阵元素的非负性
,这有助于提高算法的收敛性和稳定性。
- 通过设置
-
因子矩阵更新规则的推导:
- 分析和推导了基于Gaussian、Poisson和Exponential分布的因子矩阵更新规则,这些规则使得算法能够适应各种数据分布,提高了模型的泛化能力。
-
并行化设计:
- 把因子矩阵元素的求解问题分解为
多个独立行元素
的求解问题,这样可以在GPU上实现并行化设计,提高了算法的执行效率。
- 把因子矩阵元素的求解问题分解为
-
公式和数学推导:
- 具体的数学推导涉及到了
张量的分解和重构
,包括基于欧式距离
、KL散度
和IS散度
的张量重构误差最小化问题,这些公式可以表示为因子矩阵A(n)的更新,其中A(n)是张量分解中的一个因子矩阵
,n表示张量的不同模态。 - 举例来说,基于
欧式距离的重构误差
可以表示为 d E u = ∥ P Ω ( X ) − P Ω ( X ^ ) ∥ 2 d_{Eu} = \left\| P_{\Omega}(X) - P_{\Omega}(\hat{X}) \right\|^2 dEu= PΩ(X)−PΩ(X^) 2,其中 P Ω P_{\Omega} PΩ是投影算子
,X是原始张量
, X ^ \hat{X} X^是重构张量
, Ω \Omega Ω是观测值的位置集
。 - 相似的,基于
KL散度和IS散度的重构误差公式
分别为:
d K L = ∑ Ω ( P Ω ( X ^ ) − P Ω ( X ) log ( P Ω ( X ^ ) P Ω ( X ) ) ) d_{KL} = \sum_{\Omega}\left( P_{\Omega}(\hat{X}) - P_{\Omega}(X) \log\left( \frac{P_{\Omega}(\hat{X})}{P_{\Omega}(X)} \right) \right) dKL=∑Ω(PΩ(X^)−PΩ(X)log(PΩ(X)PΩ(X^)))
d I S = ∑ Ω ( P Ω ( X ) P Ω ( X ^ ) + log ( P Ω ( X ^ ) P Ω ( X ) ) ) d_{IS} = \sum_{\Omega}\left( P_{\Omega}(X) P_{\Omega}(\hat{X}) + \log\left( \frac{P_{\Omega}(\hat{X})}{P_{\Omega}(X)} \right) \right) dIS=∑Ω(PΩ(X)PΩ(X^)+log(PΩ(X)PΩ(X^)))
- 具体的数学推导涉及到了
-
算法实现:
- 算法在多个真实的稀疏张量数据集上进行了测试,实验结果表明了该算法具有高效的收敛性、准确性和对不同数据分布的良好适应性。
综上所述,该通用的因子矩阵更新规则有效地解决了不同数据分布下稀疏非负张量分解的问题
,不仅降低了计算成本,而且提高了算法的灵活性和适用范围。