For the high dimensional data representation, nonnegative tensor ring (NTR) decomposition equipped with manifold learning has become a promising model to exploit the multi-dimensional structure and extract the feature from tensor data. However, the existing methods such as graph regularized tensor ring decomposition (GNTR) only models the pair-wise similarities of objects. For tensor data with complex manifold structure, the graph can not exactly construct similarity relationships. In this paper, in order to effectively utilize the higher-dimensional and complicated similarities among objects, we introduce hypergraph to the framework of NTR to further enhance the feature extraction, upon which a hypergraph regularized nonnegative tensor ring decomposition (HGNTR) method is developed. To reduce the computational complexity and suppress the noise, we apply the low-rank approximation trick to accelerate HGNTR (called LraHGNTR). Our experimental results show that compared with other state-of-the-art algorithms, the proposed HGNTR and LraHGNTR can achieve higher performance in clustering tasks, in addition, LraHGNTR can greatly reduce running time without decreasing accuracy.


翻译:对于高维数据代表,配有多种学习的无阴性高温环分解已成为利用多维结构和从高压数据中提取特征的一个很有希望的模式,然而,现有的方法,如图形化正规化高温环分解(GNTR),仅以物体的对称相似性为模型。对于具有复杂多元结构的高温数据,图形无法完全构建相似性关系。在本文件中,为了有效利用不同物体之间的较高维度和复杂相似性,我们为NTR框架引入高射线,以进一步加强特征提取,在此基础上开发了高光成正规化非阴性高温环分解(HGNTR)方法。为降低计算复杂性和抑制噪音,我们运用低级近似法加速高压高压转录(LraHGNTR)。我们的实验结果表明,与其他最先进的算法相比,拟议的HGNTR和LraHGNTR可以在集群任务中取得更高的性能,此外,LraHGNTR可以大大减少运行时间,而不会降低准确性。

0
下载
关闭预览

相关内容

Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
已删除
将门创投
5+阅读 · 2018年3月21日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
Arxiv
9+阅读 · 2021年4月21日
Arxiv
4+阅读 · 2017年10月30日
VIP会员
相关VIP内容
Top
微信扫码咨询专知VIP会员