计算机科学 > 机器学习
[提交于 2020年12月21日
(v1)
,最后修订 2021年8月9日 (此版本, v2)]
标题: 贝叶斯框架下用于低秩张量逼近的交替线性方案
标题: Alternating linear scheme in a Bayesian framework for low-rank tensor approximation
摘要: 多方式数据通常以张量形式自然出现,可以通过低秩张量分解近似表示。 这很有用,因为可以显著降低复杂性,并促进大规模数据集的处理。 在本文中,我们通过解决一个贝叶斯推理问题,为给定的张量找到一个低秩表示。 这是通过将整体推理问题分成子问题来实现的,在这些子问题中,我们依次推断一个张量分解成分的后验分布。 这导致了对众所周知的迭代算法交替线性方案(ALS)的概率解释。 这样就可以考虑测量噪声,同时结合特定应用的先验知识,并量化低秩张量估计的不确定性。 为了从张量分解成分的后验分布中计算低秩张量估计,我们提出了一种在张量列车格式中执行无迹变换的算法。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.