在线低秩张量子空间跟踪：基于CP分解的递归最小二乘法
Online Low-Rank Tensor Subspace Tracking from Incomplete Data by CP Decomposition using Recursive Least Squares
The University of Electro-Communications（电气通信大学）
AI总结：
本文提出基于CP分解和递归最小二乘法的在线张量子空间跟踪算法OLSTEC，实验证明其在每轮迭代中的收敛速度优于现有方法。
摘要：
我们提出了一种基于CP分解并利用递归最小二乘法（RLS）的在线张量子空间跟踪算法，称为OLSTEC。数值评估表明，所提出的OLSTEC算法在每轮迭代中的收敛速度优于现有最先进的在线算法。
英文摘要：
We propose an online tensor subspace tracking algorithm based on the CP decomposition exploiting the recursive least squares (RLS), dubbed OnLine Low-rank Subspace tracking by TEnsor CP Decomposition (OLSTEC). Numerical evaluations show that the proposed OLSTEC algorithm gives faster convergence per iteration comparing with the state-of-the-art online algorithms.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
