Bayesian Robust Tensor Ring Model for Incomplete Multiway Data

要約

ロバスト テンソル補完 (RTC) は、外れ値の破損を伴う不完全な観測から低ランクのテンソルを回復することを目的としています。
最近提案されたテンソル リング (TR) モデルは、RTC 問題の解決に優れていることが実証されています。
ただし、既存の方法は、事前に割り当てられた TR ランクを必要とするか、最小限の TR ランクを積極的に追求するため、ノイズが存在する場合に偏ったソリューションになることがよくあります。
この論文では、ベイジアンロバストテンソルリング分解（BRTR）法を提案して、RTC問題のより正確な解を与え、TRランクとペナルティパラメータの精巧な選択を回避できます。
変分ベイジアン (VB) アルゴリズムは、事後分布の確率分布を推測するために開発されています。
学習プロセス中に、BRTR は周辺コンポーネントを含むコア テンソルのスライスを切り捨てることができ、その結果、自動 TR ランク検出が行われます。
広範な実験により、BRTR が他の最先端の方法よりも大幅に改善されたパフォーマンスを達成できることが示されています。

要約(オリジナル)

Robust tensor completion (RTC) aims to recover a low-rank tensor from its incomplete observation with outlier corruption. The recently proposed tensor ring (TR) model has demonstrated superiority in solving the RTC problem. However, the existing methods either require a pre-assigned TR rank or aggressively pursue the minimum TR rank, thereby often leading to biased solutions in the presence of noise. In this paper, a Bayesian robust tensor ring decomposition (BRTR) method is proposed to give more accurate solutions to the RTC problem, which can avoid exquisite selection of the TR rank and penalty parameters. A variational Bayesian (VB) algorithm is developed to infer the probability distribution of posteriors. During the learning process, BRTR can prune off slices of core tensor with marginal components, resulting in automatic TR rank detection. Extensive experiments show that BRTR can achieve significantly improved performance than other state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google