[论文解读] X-rank and identifiability for a polynomial decomposition model

Pierre Comon, Qi Yang+1 more|arXiv (Cornell University)|Mar 4, 2016

Tensor decomposition and applications参考文献 28被引用 3

一句话总结

本文提出X-秩分解作为系统辨识、信号处理和机器学习中多项式模型的张量CP分解的推广。它建立了通用秩和最大秩的性质，并证明了可识别性条件，使非专家也能使用高级代数几何工具。

ABSTRACT

In this paper, we study a polynomial decomposition model that arises in problems of system identification, signal processing and machine learning. We show that this decomposition is a special case of the X-rank decomposition --- a powerful novel concept in algebraic geometry that generalizes the tensor CP decomposition. We prove new results on generic/maximal rank and on identifiability of the polynomial decomposition model. In the paper, we try to make results and basic tools accessible for a general audience (assuming no knowledge of algebraic geometry or its prerequisites).

研究动机与目标

• 开发一种统一的框架，利用代数几何中的新型X-秩概念进行多项式分解。
• 为多项式分解模型建立通用秩和最大秩的性质。
• 证明在何种条件下分解是唯一的可识别的。
• 使高级代数几何时概念对无该领域先验知识的研究人员可及。

提出的方法

• 本文将多项式分解模型表述为X-秩分解的一个特例，推广了张量CP分解。
• 利用代数几何时工具分析分解的结构和秩。
• 通过研究切触簇的维数，推导出分解在一般情况下可识别的条件。
• 引入并应用X-秩的概念，以表征分解中所需的最少项数。
• 通过几何推理发展理论结果，强调对非专业人员的清晰性和可及性。
• 将该框架应用于系统辨识、信号处理和机器学习中的实际问题，以展示其实际相关性。

实验结果

研究问题

• RQ1 在X-秩框架下，多项式分解模型的通用秩是什么？
• RQ2 分解的最大秩是多少，它与模型维度之间有何关系？
• RQ3 在何种条件下分解是唯一可识别的？
• RQ4 如何使代数几何时概念（如X-秩）对领域外的研究人员可及？

主要发现

• X-秩分解推广了张量CP分解，并为多项式模型提供了新的代数框架。
• 本文建立了分解模型的通用秩，表明了表示所需的典型项数。
• 证明了最大秩受环境空间维数和流形结构的限制。
• 当项数低于与切触簇维数相关的临界阈值时，可实现可识别性。
• 结果通过系统解释的几何论证推导得出，无需先验代数几何时知识即可理解。
• 该框架为系统辨识和信号处理等应用中的多项式分解提供了新见解。