大数据处理时代：通过张量网络和张量分解的新方法
摘要：多维大数据的多维分析和张量分解技术在计算神经科学、神经信息学、模式/图像识别、信号处理和机器学习等领域具有重要应用。张量通过低秩逼近提供了一种自然而紧凑的表示形式，能有效处理具有多个方面和高维度的大规模多维数据。动态张量分析可揭示复杂数据的有意义的隐藏结构，并通过捕捉多线性和多方面的关系进行概括。本文将讨论一些基本的张量网络模型、它们的数学和图形描述，以及与大规模张量分解和张量网络相关的学习算法，并探讨其诸多潜在应用，包括异常检测、特征提取、分类、聚类分析、数据融合与整合、模式识别、预测建模、回归、时间序列分析和多维分量分析等。 关键词：大规模高阶奇异值分解、张量分解、CP分解、Tucker模型、分层Tucker分解、低秩张量逼近、张量化/量化、张量列车/四元张量、矩阵乘积状态、矩阵乘积算子、密度矩阵重整化群、强克罗内克积
作者：Andrzej Cichocki
论文ID：1403.2048
分类：Emerging Technologies
分类简称：cs.ET
提交时间：2014-08-26