凸耦合矩阵和张量补全
摘要：耦合矩阵和张量的凸低秩诱导范数集合，通过公共模式在矩阵和张量之间共享信息。具体而言，我们提出了一个叠加迹范数和隐式范数与矩阵迹范数的混合，并在此基础上提出了一种新的基于所提范数的补全算法。所提范数的一个关键优势是它是凸的，可以找到全局最优解，而现有的耦合学习方法是非凸的。此外，我们分析了由我们提出的范数正则化的补全模型的过度风险界，结果显示我们提出的范数可以利用耦合张量的低秩性，从而得到比未耦合范数更好的界限。通过合成和实际数据实验，我们展示了所提出的补全算法与现有的补全算法相比的优势。
作者：Kishan Wimalawarne, Makoto Yamada, Hiroshi Mamitsuka
论文ID：1705.05197
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-06-15