.png){kind=icon}
返回
Kernel Bayesian tensor ring decomposition for multiway data recovery
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107500.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
张量环（TR）分解已成为张量补全的主流方法。早期方法将TR分解置于概率框架中，取得了令人满意的结果。然而，这些方法忽略了侧信息，或本质上无法利用它。为应对这一挑战，我们提出了一种基于变分推断的核贝叶斯张量环（VKBTR）方法，该方法整合了侧信息、低秩性和稀疏学习。通过将核矩阵整合到TR因子中，我们可以有效利用数据的内在属性（例如图像和视频的平滑性）来提升不同任务的表现。此外，通过在潜在因子上引入稀疏诱导的层次先验，所提出的方法能够实现TR秩的自动选择。利用变分推断算法，我们能够有效地更新后验参数。在合成数据、彩色图像、人脸图像和彩色视频数据上的大量实验表明，在侧信息的辅助下，VKBTR在补全任务中的表现显著优于其他最先进的方法。
Keyword:
Tensor ring decomposition
Side information
Variation inference
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
.png){kind=icon}
查看更多内容