.png){kind=icon}
返回
Robust Tensor Completion With Side Information
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2025.3566441.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管鲁棒张量补全已被广泛研究，但纳入侧信息的效应尚未被探索。在本文中，我们通过开发一种新颖的高阶鲁棒张量补全模型来填补这一空白，该模型同时纳入了隐式和显式侧信息。我们基于变换后的t-乘积构建模型，因为相应的张量管秩可以表征张量的固有低秩结构。我们研究了侧信息对样本复杂度的影响，并证明当侧信息完美时，我们的模型比其他张量恢复方法需要更少的观测值。这从理论上表明，信息性的侧信息对学习是有益的。在合成数据和真实数据上的广泛实验结果进一步证明了所提出方法相对于几种流行替代方法的优越性。具体而言，我们基于两个重要应用评估了我们的解决方案的性能，即有向网络中的链接预测和推荐系统中的评分预测。我们表明，所提出的模型通过在学习中利用侧信息，在低秩张量数据的学习中优于其他方法。此外，在处理变化维度时，我们还设计了一种带侧信息的在线鲁棒张量补全算法，并在补充材料中使用真实交通数据集验证了其有效性。
Keyword:
Robust tensor completion
side information
transformed t-SVD
link prediction
recommender systems
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容