项目名称: 基于个体分析的投影式非线性非负张量分解在高维非结构化数据模式分析中的研究

项目编号: No.61502059

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 其他

项目作者: 刘昶

作者单位: 成都大学

项目金额: 19万元

中文摘要: 非负张量分解模拟人脑感知世界的过程,已经成为高维非结构化数据模式分析的研究热点之一。然而,现有非负张量分解存在泛化能力低下,不能深入挖掘高维数据本征结构,无法动态修正学习模型等问题。本课题拟研究非负张量空间中的子空间投影,非线性分析和在线学习技术,设计能实现在线学习的投影式非线性非负张量分解算法,并将其应用于高维非结构化数据中。首先,本课题拟将高维数据视为个体,构建非负张量基空间,实现基于个体分析的投影式非负张量分解,解决样本外问题,增强算法的泛化能力;其次,拟研究结构化张量核函数,将样本投影到高维非线性张量空间,揭示嵌入在高维空间中非线性结构;再次,拟研究投影式非线性非负张量分解的在线学习技术,实现学习模型的快速修正;最后,本课题将提出的算法应用到高维非结构化数据模式分析中,对其性能进行评估和测试。本课题的研究有助于完善非负张量分解的理论模型,对推动高维模式分析的发展具有重要科学价值。

中文关键词: Non-negative;Tensor;Factorization;High-dimensional;Unstructured;Data;Subspace;Projection;Non-linear;Analysis;Online;Learning

英文摘要: Non-negative tensor factorization (NTF) imitates the processes of human cognition and has become the hot topic in the field of high-dimensional pattern analysis. However,Existing NTF algorithms often have a poor generalization ability, are unable to excavate the intrinsic structure of high-dimensional data and revise learning model dynamically. This research is planning to study subspace projection, non-linear analysis and online learning techniques in non-negative tensor space, implement the projective non-linear non-negative tensor factorization with online learning and apply it into the pattern analysis of high unstructured data. Firstly, aiming to settle the out-of-sample problem and improve the generalization ability, each datum will be respected as an individual, and projective non-negative tensor factorization based on individual analysis is studied to construct the non-negative tensor basis space. Then structured tensor kernel function will be studied, which projects data to higher non-linear tensor space to excavate the non-linear structure embedded in high-dimensional space. Furthermore, the online learning technique of projective non-linear non-negative tensor factorization will be studied to revise the learning model quickly. Finally, the pattern analysis of high-dimensional unstructured data are applied to evaluate its performance. This research is helpful to improve the theoretical model of NTF and has vital scientific value to promote the development of high-dimensional pattern analysis.

英文关键词: 非负张量分解;高维非结构化数据;子空间投影;非线性分析;在线学习

成为VIP会员查看完整内容
0

相关内容

超图学习综述: 算法分类与应用分析
专知会员服务
31+阅读 · 2022年2月1日
图嵌入模型综述
专知会员服务
86+阅读 · 2022年1月17日
WSDM 2022 | 基于图神经网络的协同过滤设计空间研究
专知会员服务
36+阅读 · 2022年1月3日
专知会员服务
14+阅读 · 2021年9月11日
专知会员服务
48+阅读 · 2021年8月29日
专知会员服务
20+阅读 · 2021年8月24日
专知会员服务
36+阅读 · 2021年6月3日
专知会员服务
45+阅读 · 2020年11月13日
【图神经网络(GNN)结构化数据分析】
专知会员服务
115+阅读 · 2020年3月22日
【TPAMI2022】关联关系驱动的多模态分类
专知
3+阅读 · 2022年3月22日
超图学习综述: 算法分类与应用分析
专知
0+阅读 · 2022年2月1日
图嵌入模型综述
专知
3+阅读 · 2022年1月17日
论文浅尝 | 基于正交普鲁克分析的高效知识图嵌入学习
从模型到应用,一文读懂因子分解机
AI100
10+阅读 · 2019年9月6日
清华大学图神经网络综述:模型与应用
机器之心
74+阅读 · 2018年12月26日
文本聚类:从非结构化数据快速获取见解
Datartisan数据工匠
15+阅读 · 2017年10月12日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
23+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
9+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
5+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月17日
小贴士
相关VIP内容
超图学习综述: 算法分类与应用分析
专知会员服务
31+阅读 · 2022年2月1日
图嵌入模型综述
专知会员服务
86+阅读 · 2022年1月17日
WSDM 2022 | 基于图神经网络的协同过滤设计空间研究
专知会员服务
36+阅读 · 2022年1月3日
专知会员服务
14+阅读 · 2021年9月11日
专知会员服务
48+阅读 · 2021年8月29日
专知会员服务
20+阅读 · 2021年8月24日
专知会员服务
36+阅读 · 2021年6月3日
专知会员服务
45+阅读 · 2020年11月13日
【图神经网络(GNN)结构化数据分析】
专知会员服务
115+阅读 · 2020年3月22日
相关资讯
【TPAMI2022】关联关系驱动的多模态分类
专知
3+阅读 · 2022年3月22日
超图学习综述: 算法分类与应用分析
专知
0+阅读 · 2022年2月1日
图嵌入模型综述
专知
3+阅读 · 2022年1月17日
论文浅尝 | 基于正交普鲁克分析的高效知识图嵌入学习
从模型到应用,一文读懂因子分解机
AI100
10+阅读 · 2019年9月6日
清华大学图神经网络综述:模型与应用
机器之心
74+阅读 · 2018年12月26日
文本聚类:从非结构化数据快速获取见解
Datartisan数据工匠
15+阅读 · 2017年10月12日
相关基金
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
23+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
9+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
5+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员