Bayesian adaptive tensor ring decomposition with automatic model selection

doi:10.1016/j.neunet.2026.109489

Bayesian adaptive tensor ring decomposition with automatic model selection

2026-08-08

0

PRE

AI

DOI：10.1016/j.neunet.2026.109489

原文链接

原文求助

摘要

En 中文

鲁棒张量分解（RTD）旨在从含噪高维数据中区分低秩张量和稀疏张量，这在机器学习和计算机视觉领域具有重要意义。然而，现有的RTD方法在自动噪声适应和模型容量确定方面存在不足。为应对这些挑战，本文提出了一种鲁棒的非参数贝叶斯方法，即贝叶斯自适应张量环分解（BATR）方法。具体而言，BATR使用狄利克雷过程高斯混合模型（DP-GMM）对未知噪声进行建模，并自动确定噪声分量。此外，BATR通过将更先进的广义双曲（GH）先验引入概率框架，实现了自适应的低张量环（TR）秩模型，从而支持自动TR秩确定。进一步，采用变分贝叶斯推断算法来更新模型后验。在合成数据、彩色图像、人脸图像、多光谱图像和高光谱图像上的大量实验表明，BATR相比其他最先进的方法具有更优的性能。

Keyword:

Robust tensor decomposition

Tensor ring decomposition

Dirichlet mixture of Gaussian processes

Generalized hyperbolic prior

Variational Bayesian inference

Bayesian adaptive tensor ring decomposition with automatic model selection

摘要

期刊

机构

引用论文