In 2011, Kilmer and Martin proposed tensor singular value decomposition (T-SVD) for third order tensors. Since then, T-SVD has applications in low rank tensor approximation, tensor recovery, multi-view clustering, multi-view feature extraction, tensor sketching, etc. By going through the Discrete Fourier transform (DFT), matrix SVD and inverse DFT, a third order tensor is mapped to a f-diagonal third order tensor. We call this a Kilmer-Martin mapping. We show that the Kilmer-Martin mapping of a third order tensor is invariant if that third order tensor is taking T-product with some orthogonal tensors. We define singular values and T-rank of that third order tensor based upon its Kilmer-Martin mapping. Thus, the tensor tubal rank, T-rank, singular values and T-singular values of a third tensor are invariant when it was taking T-product with some orthogonal tensors. We make a conjecture that the sum of squares of the largest $s$ singular values of a third order tensor is greater than or equal to the sum of squares of any $s$ entries of that third order tensor. Kilmer and Martin showed that an Eckart-Young theorem holds for the tensor tubal rank of third order tensors. We show that our conjecture is true if and only if another Eckart-Young theorem holds for the T-rank of third order tensors.


翻译:2011 年, Kilmer 和 Martin 提出了 3 级的 3 级单值分解( T- SVD ) 。 自此以后, T- SVD 应用了低级高压近似、 高压恢复、 多视图组合、 多视图特征提取、 高素描等。 通过 Discrete Fourier 变形( DFT)、 矩阵 SVD 和 反 DFT, 第三级的 10 调被映射为 F- diagonal 第三级的 。 我们称之为 Kilmer- Martin 映射第三级 。 我们显示, 如果 3 级的 AR0 调调调调的基调调调调调调调调调调高, 则具有异调调调调调调高调调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调高调

0
下载
关闭预览

相关内容

专知会员服务
56+阅读 · 2021年4月12日
【ACML2020】张量网络机器学习:最近的进展和前沿,109页ppt
专知会员服务
54+阅读 · 2020年12月15日
【ST2020硬核课】深度神经网络,57页ppt
专知会员服务
45+阅读 · 2020年8月19日
【DeepMind】强化学习教程,83页ppt
专知会员服务
151+阅读 · 2020年8月7日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
机器学习线性代数速查
机器学习研究会
19+阅读 · 2018年2月25日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年5月26日
Arxiv
3+阅读 · 2018年10月18日
VIP会员
相关VIP内容
专知会员服务
56+阅读 · 2021年4月12日
【ACML2020】张量网络机器学习:最近的进展和前沿,109页ppt
专知会员服务
54+阅读 · 2020年12月15日
【ST2020硬核课】深度神经网络,57页ppt
专知会员服务
45+阅读 · 2020年8月19日
【DeepMind】强化学习教程,83页ppt
专知会员服务
151+阅读 · 2020年8月7日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
机器学习线性代数速查
机器学习研究会
19+阅读 · 2018年2月25日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员