《张量 分解 学习》由会员分享，可在线阅读，更多相关《张量 分解 学习（47页珍藏版）》请在金锄头文库上搜索。
1、张量分解,彭毅,1,基本概念及记号,2,张量（tensor） 多维数组,基本概念及记号,3,张量空间 由若干个向量空间中的基底的外积张成的空间,基本概念及记号,4,阶（order/ways/modes/rank） 张成所属张量空间的向量空间的个数 一阶张量（向量）： 二阶张量（矩阵）： 三阶或更高阶张量： 零阶张量（数量）：,基本概念及记号,5,纤维（fiber）,基本概念及记号,6,切片（slice）,基本概念及记号,7,内积和范数 设 内积： （Frobenius）范数：,基本概念及记号,8,秩一张量/可合张量 N阶张量 是一个秩一张量，如果它能被写成N个向量的外积，即,基本概念及记号,9
2、,（超）对称和（超）对角 立方张量：各个mode的长度相等 对称：一个立方张量是对称的，如果其元素在下标的任意排列下是常数。如一个三阶立方张量是超对称的，如果 对角：仅当 时，,基本概念及记号,10,张量的（超）对角线,展开（matricization/unfolding/flattening） 将N阶张量 沿mode-n展开成一个矩阵,基本概念及记号,11,三阶张量的mode-1展开,n-mode（矩阵）乘积 一个张量 和一个矩阵 的n-mode乘积 ，其元素定义为 这个定义可以写成沿mode-n展开的形式 性质：,基本概念及记号,12,n-mode（向量）乘积 一个张量 和一个向量 的n-
3、mode乘积 ，其元素定义为 性质：,基本概念及记号,13,矩阵的Kronecker乘积 ，则 性质：,基本概念及记号,14,矩阵的Kronecker乘积 矩阵的Kronecker积还和张量和矩阵的n-mode乘积有如下关系,基本概念及记号,15,矩阵的Khatri-Rao乘积 ，则 性质：,基本概念及记号,16,矩阵的Hadamard乘积 ，则 性质：,基本概念及记号,17,CP分解,18,CP分解的其他名字 Polyadic Form of a Tensor, Hitchcock, 1927 PARAFAC(Parallel Factors), Harshman, 1970 CANDECO
4、MP/CAND(Canonical decomposition), Carroll & Chang, 1970 Topographic Components Model, Mcks, 1988 CP(CANDECOMP/PARAFAC), Kiers, 2000,CP分解,19,CP分解的张量形式 将一个张量表示成有限个秩一张量之和，比如一个三阶张量可以分解为,CP分解,20,CP分解的矩阵形式 因子矩阵：秩一张量中对应的向量组成的矩阵，如 利用因子矩阵，一个三阶张量的CP分解可以写成展开形式,CP分解,21,CP分解的切片形式 三阶张量的CP分解有时按（正面）切片写成如下形式： 其中,CP分
5、解,22,三阶张量CP分解的正面切片形式,带权CP分解 为了计算方便，通常假设因子矩阵的列是单位长度的，从而需要引入一个权重向量 ，使CP分解变为 对于高阶张量，有 其展开形式为,CP分解,23,张量的秩和秩分解 张量 的秩定义为用秩一张量之和来精确表示 所需要的秩一张量的最少个数，记为 秩分解： 可见秩分解是一个特殊的CP分解，对应于矩阵的SVD 目前还没有方法能够直接求解一个任意给定张量的秩，这被证明是一个NP-hard问题,CP分解,24,张量的秩 不同于矩阵的秩，高阶张量的秩在实数域和复数域上不一定相同。例如一个三阶张量 在实数域内进行秩分解得到的因子矩阵为 而在复数域内进行分解得到的
6、因子矩阵为,CP分解,25,张量的低秩近似 相对于矩阵的SVD来说，高阶张量的秩分解唯一性不需要正交性条件保证，只需满足： 这里 表示矩阵 的k-秩：任意k列都线性无关的最大的k,CP分解,26,张量的低秩近似 然而在低秩近似方面，高阶张量的性质比矩阵SVD差 Kolda给出了一个例子，一个立方张量的最佳秩-1近似并不包括在其最佳秩-2近似中，这说明张量的秩-k近似无法渐进地得到 下面的例子说明，张量的“最佳”秩-k近似甚至不一定存在,CP分解,27,张量的低秩近似 退化：如果一个张量能够被一系列的低秩张量任意逼近 边缘秩（border rank）：能够任意逼近一个张量的最少的成分个数,CP分
7、解,28,CP分解的计算 分解成多少个秩一张量（成分）之和？ 通常的做法是从1开始尝试，知道碰到一个“好”的结果为止 如果有较强的应用背景和先验信息，可以预先指定 对于给定的成分数目，怎么求解CP分解？ 目前仍然没有一个完美的解决方案 从效果来看，交替最小二乘（Alternating Least Square）是一类比较有效的算法,CP分解,29,CP分解的计算 以一个三阶张量 为例，假定成分个数 已知，目标为 作为ALS的一个子问题，固定 和 ，求解 得 再通过归一化分别求出 和,CP分解,30,CP分解的计算 ALS算法并不能保证收敛到一个极小点，甚至不一定能收敛到稳定点，它只能找到一个目
8、标函数不再下降的点 算法的初始化可以是随机的，也可以将因子矩阵初始化为对应展开的奇异向量，如将 初始化为 的前 个左奇异向量,CP分解,31,CP分解的应用 计量心理学 语音分析 化学计量学 独立成分分析 神经科学 数据挖掘 高维算子近似 随即偏微分方程 ,CP分解,32,Tucker分解,33,Tucker分解的其他名字 Three-mode factor analysis(3MFA/Tucker3), Tucker, 1966 Three-mode principal component analysis(3MPCA), Kroonenberg & De Leeuw, 1980 N-mod
9、e principal components analysis, Kapteyn et al., 1986 Higher-order SVD(HOSVD), De Lathauwer et al., 2000 N-mode SVD, Vasilescu and Terzopoulos, 2002,Tucker分解,34,Tucker分解 Tucker分解是一种高阶的主成分分析，它将一个张量表示成一个核心（core）张量沿每一个mode乘上一个矩阵。对于三阶张量 来说，其Tucker分解为 因子矩阵 通常是正交的，可以视为沿相应mode的主成分,Tucker分解,35,Tucker分解 容易看出
10、，CP分解是Tucker分解的一种特殊形式：如果核心张量 是对角的，且 ，则Tucker分解就退化成了CP分解,Tucker分解,36,三阶张量的Tucker分解,Tucker分解的矩阵形式 三阶Tucker分解的展开形式为 Tucker分解可以推广到高阶张量,Tucker分解,37,Tucker2和Tucker1 对于三阶张量固定一个因子矩阵为单位阵，就得到Tucker分解一个重要的特例：Tucker2。例如固定 ，则 进一步，固定两个因子矩阵，就得到了Tucker1，例如令第二、三个因子矩阵为单位阵，则Tucker分解就退化成了普通的PCA,Tucker分解,38,张量的n-秩近似 一个N
11、阶张量 的n-秩定义为 若设 ，则 叫做一个秩- 张量 如果 ，则很容易得到 的一个精确秩- Tucker分解；然而如果至少有一个 使得 ，则通过Tucker分解得到的就是 的一个秩- 近似,Tucker分解,39,张量的n-秩近似,Tucker分解,40,张量的n-秩近似 对于固定的n-秩，Tucker分解的唯一性不能保证，所以需要添加其他的约束 通常要求核心张量是“简单”的，如各个mode的主成分之间尽量不发生相互作用（稀疏性），或者其他的“简单性”约束,Tucker分解,41,Tucker分解的计算 HOSVD：利用SVD对每个mode做一次Tucker1分解（截断或者不截断） HOSV
12、D不能保证得到一个较好的近似，但HOSVD的结果可以作为一个其他迭代算法（如HOOI）的很好的初始解,Tucker分解,42,Tucker分解的计算 为了导出HOOI迭代算法，先考虑目标函数 从而 应该满足,Tucker分解,43,Tucker分解的计算 目标函数的平方变为,Tucker分解,44,Tucker分解的计算 所以问题可以进行如下转化 利用交替求解的思想，问题变为解如下子问题 这个问题可以通过令 为 的前 个左奇异值向量来解决,Tucker分解,45,Tucker分解的应用 化学分析 计量心理学 信号处理 机器视觉（面部、动作） 数据压缩 纹理生成 数据挖掘 环境和网络建模 ,Tucker分解,46,欢迎大家提出宝贵建议,47,
