张量分解学习.ppt

张量的秩 不同于矩阵的秩，高阶张量的秩在实数域和复数域上不一定相同。例如一个三阶张量 在实数域内进行秩分解得到的因子矩阵为 而在复数域内进行分解得到的因子矩阵为 CP分解 张量的低秩近似 相对于矩阵的SVD来说，高阶张量的秩分解唯一性不需要正交性条件保证，只需满足： 这里 表示矩阵 的k-秩：任意k列都线性无关的最大的k CP分解 张量的低秩近似 然而在低秩近似方面，高阶张量的性质比矩阵SVD差 Kolda给出了一个例子，一个立方张量的最佳秩-1近似并不包括在其最佳秩-2近似中，这说明张量的秩-k近似无法渐进地得到 下面的例子说明，张量的“最佳”秩-k近似甚至不一定存在 CP分解 张量的低秩近似 退化：如果一个张量能够被一系列的低秩张量任意逼近 边缘秩（border rank）：能够任意逼近一个张量的最少的成分个数 CP分解 秩2 秩3 一个秩为2的张量序列收敛到一个秩3张量 CP分解的计算 分解成多少个秩一张量（成分）之和？ 通常的做法是从1开始尝试，知道碰到一个“好”的结果为止 如果有较强的应用背景和先验信息，可以预先指定 对于给定的成分数目，怎么求解CP分解？ 目前仍然没有一个完美的解决方案 从效果来看，交替最小二乘（Alternating Least Square）是一类比较有效的算法 CP分解 CP分解的计算 以一个三阶张量 为例