.png){kind=icon}
返回
Auto-weighted tensor completion and its fast algorithm
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.112880.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
低秩张量补全（LRTC）问题近年来在机器学习社区中引起了广泛关注，尤其是在计算机视觉和图像处理应用中。考虑到低秩张量中不同奇异值的重要性，加权张量核范数（WTNN）方法在LRTC问题中受到了广泛关注。然而，大多数现有的WTNN方法利用预置/固定的奇异值加权方案，从而限制了其在实际应用中的适应性和性能。为解决这些局限性，我们首先提出了自加权张量补全（AWTC）方法。与以往工作中为低秩张量使用预定义和手动设定的权重不同，这里的权重被视为可学习变量，可自动更新，并根据低秩张量的奇异值自适应分配不同权重。然后，为提高AWTC模型的计算效率，我们基于近似张量奇异值分解开发了一种加速AWTC算法，该算法在保持等效恢复精度的同时实现了显著的计算加速。我们进一步基于乘子交替方向法（ADMM）框架开发了一种高效算法以实现AWTC模型，并对算法进行了收敛性分析。实验结果验证了所提出方法的有效性。
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Tensor completion via tensor QR decomposition and L2,1-norm minimization基于张量QR分解和L2，1-范数最小化的张量补全.png)
SIGNAL PROCESSING
SIGNAL PROCESSINGIF3.6
PREAI
分享收藏Robust low-rank tensor completion via new regularized model with approximate SVD通过近似SVD的新正则化模型实现鲁棒低秩张量补全
PREAI
分享收藏Tensor idempotent representation with auto-weighted exponential tensor nuclear norm minimization for multi-view clustering张量幂等表示与自动加权指数张量核范数最小化用于多视图聚类
PREAI
分享收藏
查看更多内容