文献

J-GLOBAL ID：201602219280506354   整理番号：16A0611658

不完全多元データのためのBayesロバストなテンソル因数分解【Powered by NICT】

Bayesian Robust Tensor Factorization for Incomplete Multiway Data

著者 (5件)： Qibin Zhao (Lab. for Adv. Brain Signal Process., RIKEN Brain Sci. Inst., Wako, Japan) ,  Guoxu Zhou (Lab. for Adv. Brain Signal Process., RIKEN Brain Sci. Inst., Wako, Japan) ,  Liqing Zhang (Dept. of Comput. Sci. & Eng., Shanghai Jiao Tong Univ., Shanghai, China) ,  Cichocki Andrzej (Lab. for Adv. Brain Signal Process., RIKEN Brain Sci. Inst., Wako, Japan) ,  Amari Shun-Ichi (Lab. for Math. Neurosci., RIKEN Brain Sci. Inst., Wako, Japan)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 27  号： 4  ページ： 736-748  発行年： 2016年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 欠測データおよび異常値の両方の存在下でロバストなテンソル因数分解のための生成モデルを提案した。目的は,地球情報を捕捉する基礎となる低CANDECOMP/PARAFAC(CP)-階テンソルと局所情報(異常値としても考慮)を捕捉する疎なテンソルを推定する明示的に,欠落エントリ上でのロバストな予測分布を提供することである。低CP階テンソルは,columnnスパース性は階層的前により実施されている複数の潜在因子間の多重線形相互作用によりモデル化し,疎なテンソルは,各要素の個々のハイパーパラメータを関連付ける独立してStudent-t分布の階層的視点によりモデル化した。モデル学習のために,完全Bayes処理,過剰適合問題を効果的に防止できるとデータサイズと線形的に比例する下での効率的な変分推論を開発した。既存の関連研究とは対照的に,著者らの方法は,調整パラメータを必要とせずに,モデル選択を自動的に行うと陰的にできる。より具体的には,CPランクのグランドトルースを発見し,種々のタイプの異常値の事前分布を誘導するスパース性を自動的に適応できる。添加では,低ランク近似とスパース表現の間のトレードオフは,最大モデル証拠の意味で最適化することができる。合成と実世界データセットに関する多くの最新のアルゴリズムと大規模な実験と比較は,いくつかの観点から提案手法の優位性を実証した。Copyright 2016 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 最適化 ,  *ロバスト性 ,  変分法 ,  モデリング ,  異常値 ,  *テンソル ,  線形性 ,  *因数分解 ,  データセット ,  モデル選択 ,  生成モデル ,  改変
準シソーラス用語： スパース表現 ,  事前分布 ,  ハイパーパラメータ ,  スパース性 , 【Automatic Indexing@JST】

著者キーワード (6件)： ビデオ背景モデリング ,  ランク決定 ,  ロバスト因数分解 ,  テンソル完備化 ,  テンソル因数分解 ,  変分ベイズ(VB)推論

分類 (2件)： 信号理論  (ND02020G) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： ロバスト ,  テンソル ,  因数分解