DBLTD: Deep Bayesian Low-rank Tensor Decomposition for Multivariate Data Analysis

Yunbo Tang

doi:10.1109/tkde.2026.3724498

DBLTD: Deep Bayesian Low-rank Tensor Decomposition for Multivariate Data Analysis

2026-08-17

0

PRE

AI

DOI：10.1109/tkde.2026.3724498

原文链接

原文求助

摘要

En 中文

低秩张量分解因能捕捉多元数据中各属性关联的潜在表示，在多元数据分析中备受关注。然而，现有研究在表示多元数据中的非线性关系方面能力有限，且在源数据存在强噪声或初始张量秩设置不当的情况下性能易退化。为应对这些挑战，本研究提出了一种深度贝叶斯低秩张量分解（DBLTD）框架处理多元数据：1）DBLTD首先建立概率张量分解模型，并对因子矩阵和噪声张量施加高斯-伽马稀疏先验，以诱导多域因子的稀疏成分并将噪声与源数据分离；2）基于多个卷积块设计生成卷积网络，以自训练方式生成深层因子的分布及深层参数；3）框架开发了一种具有收敛保证的深度变分贝叶斯推断算法进行模型训练，其中损失函数由重构误差及对深层因子和参数的稀疏约束项构成。在多种多元数据集上的实验结果表明，DBLTD能有效学习张量秩并减少多元数据分解中各类噪声的影响。此外，DBLTD在基于分解的医疗应用（如盲源EEG去噪、结构EEG特征构造及MRI图像恢复）中展现出显著优势。

Keyword:

Multivariate Data

Tensor Decomposition

Generative Convolution Network

Deep Variational Bayesian Inference

Medical Applications

DBLTD: Deep Bayesian Low-rank Tensor Decomposition for Multivariate Data Analysis

摘要

期刊

机构

引用论文