Auto-Encoding Neural Tucker Factorization

doi:10.1109/TKDE.2025.3590198

Auto-Encoding Neural Tucker Factorization

0

PRE

AI

DOI：10.1109/TKDE.2025.3590198

原文链接

原文求助

摘要

En 中文

低秩张量潜因子分解是一种分析来自信息物理系统的高维和不完整（HDI）数据的强大方法，尤其是在计算资源有限的情况下。然而，传统的张量分解模型本质上具有线性特征，难以捕捉数据中嵌入的复杂非线性时空依赖关系。本文提出了一种新颖的潜因子分解模型，即自编码神经Tucker分解（ANTucF），用于在HDI张量上进行精确的时空表示学习。它构建了一个基于低秩Tucker分解的神经网络，以捕捉时空中的潜在潜因子流形，基于以下三个核心思想：a) 应用基于密度的建模原理与神经网络，通过对模态索引的位置和时序编码来促进潜特征学习；b) 构建一个Tucker交互张量，以表示不同空间和时序模态间的所有可能时空交互；c) 通过自编码潜交互学习引入非线性时空表示学习，增强Tucker分解中核心张量的唯一性。ANTucF模型在真实数据集的缺失观测估计上优于多个最先进的LFT模型。此外，可视化结果表明，该模型通过数据驱动方法非线性地利用最优Tucker核心张量，能够捕捉更精细的时空动态。

Keyword:

Neural Tucker factorization

nonlinear interaction learning

low-rank tensor completion

Tucker decomposition

autoencoder

neural network

Auto-Encoding Neural Tucker Factorization

摘要

期刊

机构

引用论文