[论文解读] A novel nonconvex approach to recover the low-tubal-rank tensor data: when t-SVD meets PSSV.

Tai-Xiang Jiang, Ting‐Zhu Huang+2 more|arXiv (Cornell University)|Dec 15, 2017

Tensor decomposition and applications参考文献 60被引用 9

一句话总结

本论文提出了一种新颖的非凸方法，利用张量奇异值分解（t-SVD）和张量核范数的部分和（PSTNN），以改进低管秩张量恢复，替代传统的凸代理（张量核范数，TNN）。通过结合t-SVD与PSTNN，该方法减少了张量补全和张量主成分分析中的偏差，实验证明其在合成数据和真实世界数据上均表现出优越性能。

ABSTRACT

A recently developed novel tensor decomposition scheme named tensor singular value decomposition (t-SVD) results in a notion of rank referred to as the tubal-rank. Many methods minimize its convex surrogate the tensor nuclear norm (TNN) to enhance the low tubal-rankness of the underlying data. Generally, minimizing the TNN may cause some biases. In this paper, to alleviate these bias phenomenons, we consider to minimize the proposed partial sum of the tensor nuclear norm (PSTNN) in place of the TNN. The novel PSTNN is applied to the tasks of tensor completion and tensor principal component analysis. Numerical experiments are conducted on the synthetic data and real-world data, and experimental results reveal the effectiveness of the proposed methods.

研究动机与目标

• 解决在低管秩张量恢复中，通过最小化凸张量核范数（TNN）引入的偏差问题。
• 通过提出TNN的非凸替代方法，克服凸松弛方法的局限性。
• 提出一种基于张量核范数部分和（PSTNN）的新张量秩近似方法。
• 将PSTNN应用于张量补全和张量主成分分析，以提升数据恢复性能。
• 通过在合成和真实世界数据集上的大量数值实验，验证PSTNN的有效性。

提出的方法

• 利用张量奇异值分解（t-SVD）定义管秩，并实现低秩张量建模。
• 引入张量核范数的部分和（PSTNN）作为管秩的非凸代理。
• 构建最小化PSTNN的优化问题，以在张量数据中促进低管秩结构。
• 将所提出的基于PSTNN的模型应用于张量补全和张量主成分分析任务。
• 利用t-SVD的代数性质，在优化过程中高效计算和更新张量分量。
• 设计迭代算法求解非凸PSTNN最小化问题，并提供收敛性保证。

实验结果

研究问题

• RQ1 与凸松弛相比，张量核范数的非凸代理是否能改善低管秩张量恢复？
• RQ2 在张量补全中，张量核范数的部分和（PSTNN）与TNN相比在减少偏差方面表现如何？
• RQ3 PSTNN在张量主成分分析中对低秩张量恢复的增强程度如何？
• RQ4 所提出方法在合成和真实世界张量数据上是否保持或提升了恢复精度？
• RQ5 t-SVD框架如何与PSTNN结合，以实现高效且有效的张量恢复？

主要发现

• 与最小化凸张量核范数相比，所提出的PSTNN方法在低管秩张量恢复中显著减少了偏差。
• 在合成数据上的数值实验表明，PSTNN的恢复精度高于基于TNN的方法。
• 在张量补全任务中，PSTNN在重建误差更低和低秩逼近更优方面优于TNN。
• 该方法在真实世界数据上表现出稳健性能，证实了其实际适用性。
• 基于PSTNN的张量主成分分析在分离低秩与稀疏分量方面优于基于TNN的方法。
• t-SVD与PSTNN的结合实现了张量数据恢复中高效计算与有效低秩建模。