Low-rank tensor product Richardson iteration for radiative transfer in plane-parallel geometry
本文针对平面平行几何辐射传输方程,提出低秩张量积框架,利用Kronecker积和预条件Richardson迭代,实现维度问题的有效求解与误差秩控制。
2025-05-27 cs.NA math.NA
Rank properties and computational methods for orthogonal tensor decompositions
正交分解将张量分解为秩孔张量的正交列表的和。给出了正交秩的几个性质。我们发现子张量的正交秩可以大于整个张量的正交秩,并证明了正交秩的下半连续性。下半连续性保证了低正交秩逼近的存在性。为了适应正交分解,我们提出了一种基于增广拉格朗日方法的算法,并通过一种新的正交化过程来保证正交性。数值实验表明,与现有的强正交分解方法相比,该方法在逼近误差方面具有很大的优势。
2021-03-23 cs.NA math.NA
Triple Decomposition and Tensor Recovery of Third Order Tensors
本文介绍了一种新的三阶张量的张量分解,它将一个三阶张量均衡地分解为三个三阶低阶张量。我们称这样的分解为三重分解,相应的秩为三重秩。对于一个三阶张量,它的CP分解可以看作是它的三重分解的一个特例。三阶张量的三重秩不大于Tucker秩的中间值,并且对于一类基本例子严格小于Tucker秩的中间值.这表明,只要实际数据能用低秩CP或Tucker分解近似,就可以用低秩三重分解近似。这一理论发现在数值上得到了证实。数值实验表明,网络流量、视频图像等实际应用中的三阶张量数据具有较低的三阶秩。提出了一种基于低秩三重分解的张量恢复方法。证明了它的收敛性和收敛速度。数值实验证实了该方法的有效性。
2020-03-01 cs.NA math.NA
The average condition number of most tensor rank decomposition problems is infinite
本文证明随机秩-2及大多数更高秩张量的秩分解条件数期望为无穷大,而秩-2张量的角度条件数期望有限,揭示了张量秩分解问题的高计算复杂度及其对算法设计与测试的启示。
2022-09-20 cs.NA math.NA
Accelerated decomposition of bistochastic kernel matrices by low rank approximation
Dartmouth College(达特茅斯学院)
本文提出一种加速算法,用于对对称归一化核矩阵进行近似特征值分解,采用 pivoted partial Cholesky 算法构建低秩近似,减少 full kernel matrix 的计算成本,并推导了两类归一化核矩阵的迹范数误差界。
2026-10-15 cs.NA math.NA physics.comp-ph
Efficient Decomposition of High-Rank Tensors
Institute of Astronomy, University of Cambridge(剑桥大学天文研究所)
本文提出两种新的算法,用于选择高效的树分解,不依赖于张量的物理背景。第一种是暴力算法,能产生最优分解,但对高阶张量不实用;第二种是贪心算法,虽然不最优,但在数值实验中表现优异且运行时间高效。
2018-11-29 cs.NA math.NA physics.comp-ph
Randomized Algorithms for Low-Rank Matrix and Tensor Decompositions
Oden Institute & Dept. of Mathematics, University of Texas at Austin(德克萨斯大学奥斯汀分校奥登研究所与数学系)
本文提出随机算法用于加速低秩矩阵和张量分解,涵盖SVD、ID、CUR等方法,并探讨其在张量分解中的应用。
2025-12-30 cs.NA math.NA
Asymptotic-preserving and energy stable dynamical low-rank approximation for thermal radiative transfer equations
针对热辐射输运方程,提出一种基于宏观-微观分解和增广基更新Galerkin积分器的渐近保持、秩自适应动态低秩近似格式,在步长限制下保证能量耗散,并通过数值实验验证其有效性。
2024-02-26 cs.NA math.NA
Highly Efficient Rank-Adaptive Sweep-based SI-DSA for the Radiative Transfer Equation via Mild Space Augmentation
Texas Tech University(德州理工大学);The Hong Kong University of Science and Technology(香港科技大学)
本文提出一种高效的秩适应性扫掠SI-DSA方法,通过温和的空间增强实现低秩求解,减少内存和计算时间,适用于多尺度问题。
2026-07-15 cs.NA math.NA
Decomposition Approach for Low-rank Matrix Completion
本文提出了一种基于矩阵分解的低秩矩阵完备化方法。将不完全矩阵分解为若干子矩阵,并利用建议的裁剪步骤填充这些子矩阵,然后重新组合形成低秩完全矩阵。分而治之的方法可以显着降低计算复杂度和存储需求。此外,所提出的分解方法可以自然地纳入任何现有的矩阵完成方法,以获得进一步的增益。与大多数现有的方法不同,该方法不是基于范数最小化,也不是SVD分解。这使得它可以应用于实域之外,并可以用于包括有限域在内的任意域。
2010-06-28 cs.NA math.NA
An Inexact Low-Rank Source Iteration for Steady-State Radiative Transfer Equation with Diffusion Synthetic Acceleration
针对多维稳态RTE,提出低秩/HTT表示、扩散预条件CG与自适应非精确策略结合的SI-DSA框架,在2D2V基准上以更少自由度达到10^-4至10^-5误差并获得最高90倍以上加速。
2025-08-31 cs.NA math.NA
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)
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。
2016-08-19 cs.NA math.NA
Single-pass randomized QLP decomposition for low-rank approximation
QLP分解是数值线性代数中逼近奇异值分解的有效算法之一。在本文中,我们提出了一些单遍随机QLP分解算法计算低秩矩阵近似。与确定性QLP分解相比,所提出的算法的复杂度没有显着增加,并且仅需要访问系统矩阵一次。因此,我们的算法非常适合存储在内存之外或由流数据生成的大型矩阵。在误差分析中,我们给出了矩阵逼近误差和奇异值逼近误差的界。数值实验也证实了我们的结果。
2020-11-27 cs.NA math.NA
Bidiagonal Decompositions of Vandermonde-Type Matrices of Arbitrary Rank
我们提出了一种方法,以获得新的显式表达式的双对角分解的范德蒙和相关的矩阵,如(q-,h-)伯恩斯坦范德蒙的,等等。这些结果将已有的非奇异矩阵的表达式推广到任意秩的矩阵。对于上述类型的全非负矩阵,新的分解可以在浮点运算中有效地计算,并且具有较高的分量精度。反过来,矩阵计算(例如,特征值计算)也可以有效地执行并且达到高的相对精度。
2022-10-18 cs.NA math.NA
Fast Eigen Decomposition for Low-Rank Matrix Approximation
Faculty of Engineering, Shinshu University(信州大学工学部)
本文提出一种高效算法,用于计算由向量自外积加权和构成的矩阵(如数据协方差矩阵)的特征分解。该算法不同于仅适用于非负权重的奇异值分解,支持正负权重。
2017-06-07 cs.NA math.NA
Beyond Low Rank: Fast Low-Rank + Diagonal Decomposition with a Spectral Approach
Department of Statistics, University of Chicago(芝加哥大学统计系);Mathematics and Computer Science, Argonne National Laboratory(阿贡国家实验室数学与计算机科学)
本文提出了一种基于谱方法的快速低秩加对角分解算法,通过结合随机化技术实现高效且精确的协方差矩阵分解,适用于大规模数据和现实金融应用。
2025-12-18 cs.NA math.NA
Low-rank Tensor Train Decomposition Using TensorSketch
本文提出了一种基于TensorSketch和快速傅里叶变换的随机近端ALS算法,用于解决大型张量低秩张量列分解中的维度灾难问题,并给出了草图大小的理论下界及实验验证。
2023-09-15 cs.NA math.NA
Low-rank correction methods for algebraic domain decomposition preconditioners
University of Minnesota, Twin Cities(明尼苏达大学双城分校)
本文提出一种并行预处理方法,通过近似逆矩阵和域分解方法结合低秩校正,高效求解对称稀疏线性系统,实验表明其与Krylov子空间加速器结合时具有鲁棒性和效率。
2015-05-29 cs.NA math.NA
MultiResolution Low-Rank Regularization of Dynamic Imaging Problems
本研究针对动态图像序列正则化问题,提出基于离散小波变换序列的多分辨率低秩分解正则化方法,经动态X射线层析成像测试,其效果与传统局部低秩分解相近且块伪影更少。
2025-02-28 cs.NA math.NA
A Rank Revealing Randomized Singular Value Decomposition (R3SVD) Algorithm for Low-rank Matrix Approximations
本文提出R3SVD算法,通过正交高斯采样逐步构建低秩近似,并自适应估计秩以捕捉矩阵主要特征。算法在图像压缩和矩阵补全中验证了有效性。
2016-05-26 cs.NA math.NA
Low-rank approximation of parameter-dependent matrices via CUR decomposition
Mathematical Institute, University of Oxford(牛津大学数学研究所)
本文提出AdaCUR算法,通过CUR分解高效计算参数依赖矩阵的低秩近似,同时提供误差控制和竞争力复杂度。
2025-02-26 cs.NA math.NA
A chiseling algorithm for low-rank Grassmann decomposition of skew-symmetric tensors
KU Leuven(荷语鲁汶大学)
本文提出了一种用于对称张量低秩分解的算法,通过线性关系和核对角化实现Grassmann分解,验证了其计算效率和准确性。
2026-01-26 cs.NA math.NA
Schur Complement based domain decomposition preconditioners with Low-rank corrections
University of Minnesota, Twin Cities(明尼苏达大学双城分校)
本文提出一种基于域分解框架中Schur补低秩近似的一般稀疏对称矩阵鲁棒预条件子,通过低秩修正计算Schur补的近似逆,避免显式形成Schur补矩阵,并通过数值实验验证其鲁棒性和效率。
2015-05-16 cs.NA math.NA
Pencil-based algorithms for tensor rank decomposition are not stable
Universidad de Cantabria(坎塔布里亚大学);Max-Planck-Institute for Mathematics in the Sciences Leipzig(莱比锡马克斯·普朗克科学计量学研究所);KU Leuven(荷语鲁汶大学)
本文证明了基于将问题转化为线性矩阵 pencil 的流行且高效的张量秩分解算法在特定张量上存在任意的数值前向不稳定性,主要贡献是提出了随机张量秩分解的条件数下限。
2018-07-11 cs.NA math.NA
Randomized Rank-Revealing QLP for Low-Rank Matrix Decomposition
本文提出随机化无主元QLP分解(RU-QLP),通过随机列采样和无主元QR分解实现低秩矩阵的秩揭示分解,并给出谱范数和Frobenius范数下的理论界,实验表明其相比随机化SVD在CPU和GPU上分别获得最高7.1倍和2.3倍加速。
2023-07-05 cs.NA eess.SP math.NA
On the average condition number of tensor rank decompositions
Max Planck Institute for Mathematics in the Sciences(马克斯·普朗克科学促进研究所数学系);KU Leuven(荷语鲁汶大学)
本文研究了随机张量秩分解的几何条件数的期望值,发现n1×n2×2张量的条件数期望值为无穷大,表明此类分解对扰动敏感,而更大尺寸的张量具有有限的平均条件数,揭示了张量格式间条件数敏感性的差异。
2019-01-02 cs.NA math.NA
An adaptive algebraic multigrid algorithm for low-rank canonical tensor decomposition
University of Waterloo(滑铁卢大学)
针对低秩R的规范张量分解,提出一种基于自适应代数多重网格和交替最小二乘的多重网格算法,在要求高精度时显著优于单独使用ALS。
2011-11-25 cs.NA math.NA
Hermitian Tensor Decompositions
厄米特张量是埃尔米特矩阵的推广,但它们具有非常不同的性质。每个复厄米张量都是复厄米秩-1张量的和。然而,这对于真实的情况是不正确的。我们研究厄米张量的基本性质,如厄米分解和厄米秩。对于正则基张量,我们确定了它们的厄米特秩和分解。对于实厄米特张量,我们给出了它们在实域上具有厄米特分解的充分刻画。除了传统的平坦化外,厄米张量还具有特殊的厄米和克罗内克环,它们可以给出厄米秩的不同下界。我们还研究了其他主题,如特征值,正半定,平方和表示,可分性。
2020-04-28 cs.NA math.NA
The low-rank approximation of fourth-order partial-symmetric and conjugate partial-symmetric tensor
提出了四阶共轭部分对称(CPS)张量的正交矩阵外积分解,并证明了贪婪逐次秩一近似(SROA)算法可以精确地恢复这种分解.基于这种矩阵分解,CPS张量的CP秩可以由矩阵秩来界定,这可以应用于低秩张量完备化。另外,基于矩阵的奇异值分解给出了CPS张量的秩一等价性质,该性质可应用于CPS张量的秩一近似。
2021-11-05 cs.NA math.NA
The trouble with tensor ring decompositions
Delft University of Technology(代尔夫特理工大学)
本文探讨了张量环分解的局限性,指出其无法从次优秩分解中精确计算最小秩分解,并通过简单示例展示了张量环圆化过程在使用收缩操作和Hadamard乘积时的失败。
2018-11-09 cs.NA math.NA
CP decomposition and low-rank approximation of antisymmetric tensors
本文研究反对称张量的低秩逼近,提出一种仅用三个向量表示的低秩格式及保持结构的交替最小二乘算法,并证明其等价于最佳多线性低秩反对称逼近和最佳无结构秩1逼近问题,同时讨论了部分反对称情形及Julia实现与数值性能。
2024-06-14 cs.NA math.NA
A Fast Implementation of Singular Value Thresholding Algorithm using Recycling Rank Revealing Randomized Singular Value Decomposition
Tsinghua University(清华大学);Old Dominion University(老道明大学)
本文提出一种快速实现奇异值阈值算法的方法,通过回收秩揭示随机奇异值分解算法降低计算成本,用于矩阵补全问题,包括图像恢复和电影推荐系统。
2017-04-14 cs.NA math.NA
Efficient Orthogonal Decomposition with Automatic Basis Extraction for Low-Rank Matrix Approximation
针对低秩矩阵逼近中矩阵秩未知的问题,提出具有自动基提取的高效正交分解(EOD-ABE)算法,通过随机算法自动提取基以揭示秩,理论与数值验证表明其速度、准确性和鲁棒性优于现有方法,并在图像重建中取得显著成果。
2024-04-26 cs.NA math.NA
A Generating Polynomial Based Two-Stage Optimization Method for Tensor Rank Decomposition
Louisiana State University(路易斯安那州立大学);Xiangtan University(湘潭大学)
本文提出一种基于生成多项式的两阶段优化算法,用于求解秩不超过最大维数的三阶非对称张量分解,即使分解不唯一也能高效鲁棒地得到结果,并在理论上证明了与CP分解的等价性。
2025-11-07 cs.NA math.NA math.OC
Goal-Oriented Low-Rank Tensor Decompositions for Numerical Simulation Data
该研究提出一种基于低秩张量分解的高维数值模拟数据低维模型,通过纳入感兴趣量和守恒原理相关不变量实现降维,无需完整高维数据即可准确分析,且在燃烧和等离子体物理模拟数据上验证了效果。
2025-08-15 cs.NA math.NA
A rank-adaptive higher-order orthogonal iteration algorithm for truncated Tucker decomposition
Peking University(北京大学)
提出了一种新的秩自适应高阶正交迭代(HOOI)算法,在给定的误差容限下计算高阶张量的截断Tucker分解,并证明了该算法是局部最优的和单调收敛的.一系列的数值实验进行了相关的合成和现实世界的张量,以表明所提出的秩自适应HOOI算法是在精度和效率方面的优势。对HOOI算法和经典的交替最小二乘法进行了进一步的分析,以进一步理解为什么可以将秩自适应引入HOOI算法以及它是如何工作的。
2021-10-25 cs.LG cs.NA math.NA
Identifiability of an X-rank decomposition of polynomial maps
Gipsa-Lab(吉普萨实验室)
研究多项式分解模型的可识别性,证明其为X-秩分解的特例,并探讨其通用秩和可识别性。
2017-04-05 cs.IT cs.NA math.IT
Low-rank SI-DSA and GMRES-DSA for Radiative Transfer Equation with Adaptive Accuracy Control
The Hong Kong University of Science and Technology(香港科技大学);University of Innsbruck(因斯布鲁克大学);Texas Tech University(德克萨斯理工大学)
针对辐射传输方程低秩迭代求解器在早期迭代过求解及多尺度问题失效的缺陷,提出自适应精度控制与两阶段混合采样策略,并开发非精确柔性GMRES-DSA求解器,数值实验验证了其有效性。
2026-10-07 cs.NA math.NA
Factorization of Binary Matrices: Rank Relations, Uniqueness and Model Selection of Boolean Decomposition
二元矩阵的应用很多.通过低秩分解将矩阵表示为一小部分潜在向量的混合,通常被视为解释和分析数据的有利方法。在这项工作中,我们研究使用标准的算术(实和非负)和逻辑运算(布尔和$\mathbb{Z}_2$)的二进制矩阵的因式分解。我们研究了不同秩之间的关系,并讨论了因子分解是唯一的。特别是,我们的特点时,布尔因式分解$X = W \land H$有一个独特的$W$,一个独特的$H$(对于一个固定的$W$),当$W$和$H$是唯一的,给定的秩约束。我们介绍了一种强大的布尔模型选择方法,称为BMF $k$,并显示数值例子,BMF $k$不仅准确地确定了正确的布尔潜在特征的数量,但重建的预定因素准确。
2021-11-01 cs.NA math.NA
Joint Reconstruction and Low-Rank Decomposition for Dynamic Inverse Problems
动态逆问题的一个主要兴趣是从外部测量中识别系统的潜在时间行为。在这项工作中,我们考虑的情况下,目标可以表示的空间和时间的基函数的分解,因此可以有效地表示低秩分解。然后,我们提出了一个联合重建和低秩分解方法的基础上的非负矩阵分解,以获得未知的高度欠采样的动态测量数据。所提出的框架允许灵活地纳入单独的regulerators的空间和时间的功能。对于平稳算子的特殊情况,我们可以有效地使用分解来降低计算复杂性,并获得实质性的加速。所提出的方法进行了评估两个模拟幻影,我们得到的结果进行比较,一个单独的低秩重建和随后的分解方法的基础上广泛使用的主成分分析。
2020-06-06 cs.NA eess.IV math.NA
Study of Compressed Randomized UTV Decompositions for Low-Rank Matrix Approximations in Data Science
在这项工作中,提出了一种新的秩显示矩阵分解算法,称为压缩随机UTV(CoR-UTV)分解以及一个CoR-UTV变体的辅助下的功率方法技术。CoR-UTV通过使用随机采样方案来计算低秩输入矩阵的近似值。给定大小为$m\times n$且具有数值秩$k$的大且密集的矩阵,其中$k \ll \text{min} \{m,n\}$,CoR-UTV需要在数据上经过几次,并且在$O(mnk)$浮点运算中运行。此外,CoR-UTV可以利用现代计算平台,并可以优化以实现最大效率。CoR-UTV也适用于解决鲁棒主成分分析问题。仿真结果表明,CoR-UTV优于现有的方法。
2019-06-08 cs.DS cs.NA math.NA
A condition number for the tensor rank decomposition
KU Leuven(荷语鲁汶大学)
本文研究了张量秩分解问题,提出并分析了衡量该问题参数对张量微小变化敏感性的条件数,证明该条件数与Terracini矩阵的最小奇异值的倒数一致,并探讨了该条件数的基本性质。
2016-03-31 cs.NA math.AG math.NA
A Higher-Order Generalized Singular Value Decomposition for Rank Deficient Matrices
高阶广义奇异值分解(HO-GSVD)是一种将GSVD扩展到$N \ge 2$数据矩阵的矩阵分解技术,可用于识别具有不同行维数的多个大规模数据集中的共享子空间。标准HO-GSVD将$N$矩阵$A_i\in\mathbb{R}^{m_i\times n}$因子化为$A_i=U_iΣ_i V^\text{T}$,但要求每个矩阵$A_i$具有全列秩。我们提出了一个修改的HO-GSVD扩展其适用性秩亏数据矩阵$A_i$。如果堆叠$A_i$的矩阵有满秩,我们表明,原来的HO-GSVD的性质扩展到我们的方法。我们将公共子空间的概念扩展到孤立子空间,它识别一个$A_i$所特有的特征。我们还将我们的结果推广到高阶余弦-正弦分解(HO-CSD),这是密切相关的HO-GSVD。我们的标准HO-GSVD的扩展允许其应用程序的数据集与$m_i<n$或$\text{rank}(A_i)<n$,如遇到生物信息学,神经科学,控制理论或分类问题。
2022-06-20 cs.NA math.NA
Low-Rank Dynamic Mode Decomposition: An Exact and Tractable Solution
INRIA Centre Rennes - Bretagne Atlantique(法国国家信息与自动化研究所雷恩-大西洋布列塔尼中心);IRMAR - UMR CNRS 6625(数学与随机应用研究实验室)
本文研究了使用低秩动态模式分解对高维动态系统进行线性近似,提出了一种精确且可处理的解决方案,并通过数值模拟验证了其有效性。
2021-08-20 cs.NA math.NA stat.ML
A model-data asymptotic-preserving neural network method based on micro-macro decomposition for gray radiative transfer equations
School of Mathematical Sciences, University of Electronic Science(数学科学学院,电子科技大学);Institute of Applied Physics(应用物理研究所);Institute of Fundamental and Frontier Sciences, University of Electronic Science(基础与前沿科学研究所,电子科技大学)
针对多尺度非线性灰色辐射输运方程求解难题,提出结合微宏观分解的模型-数据渐近保持神经网络方法,构建含多类约束的AP损失函数,收敛性与数值实验验证其在扩散主导问题上优于现有方法。
2022-12-11 cs.LG cs.NA math.NA
A Normal Form Algorithm for Tensor Rank Decomposition
本文提出一种基于多项式方程组和多分级正则性的张量秩分解数值算法,证明了多种张量格式的有效复杂度界,并猜想一般公式,实验表明其在精度、时间和内存上均优于现有方法一个数量级。
2022-11-14 cs.NA math.AG math.NA
Beyond Low Rank + Sparse: Multi-scale Low Rank Matrix Decomposition
本文提出了一种多尺度低秩矩阵分解方法,通过凸优化解决数据矩阵的多尺度分解问题,并在多个应用中验证了其有效性。
2016-08-03 cs.IT cs.NA cs.SY
Fast and Accurate Randomized Algorithms for Low-rank Tensor Decompositions
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
低秩Tucker和CP张量分解是数据分析中的强大工具。广泛使用的交替最小二乘(ALS)方法,它解决了一系列超定最小二乘子问题,是昂贵的大型和稀疏张量。我们提出了一个快速,准确的草图ALS算法的塔克分解,解决了一系列的草图秩约束线性最小二乘法子问题。理论草图大小上界提供实现$O(ε)$相对误差的每个子问题与两个草图技术,TensorSketch和杠杆得分采样。实验结果表明,这种新的ALS算法,结合一个新的初始化方案的基础上随机测距仪,产量高达$22.0\%$相对分解残留的改善相比,国家的最先进的草图随机算法的各种合成和真实数据集的塔克分解。该Tucker-ALS算法进一步用于加速CP分解,通过使用随机化Tucker压缩,然后对Tucker核心张量进行CP分解。实验结果表明,该算法不仅收敛速度快,而且CP分解精度高。
2021-08-25 cs.DS cs.LG cs.NA
Updating Singular Value Decomposition for Rank One Matrix Perturbation
School of Engineering \& Applied Science, Ahmedabad University, Ahmedabad-380009, India
本文提出一种高效算法,用于在O(n² log(1/ε))时间内更新秩一扰动矩阵的奇异值分解,利用快速多极子方法在O(n log(1/ε))时间内更新奇异向量。
2017-07-26 cs.LG cs.NA math.NA
Proximal Gradient-based Low Rank Tensor Decomposition for State Dependent Riccati Equation
Institute of Mathematical Science, ShanghaiTech University(上海科技大学数学科学学院);Department of Mathematics, University of Alabama at Birmingham(阿拉巴马大学伯明翰分校数学系)
本文提出了一种基于proximal梯度的低秩张量分解方法,用于解决由偏微分方程产生的大离散维控制系统最优控制问题,通过稀疏优化和灵活混合方法获得低秩CP张量基元素,从而将最优控制问题转化为可高效求解的状态依赖Riccati方程。
2026-05-21 cs.NA math.NA math.OC
Decomposition of Big Tensors With Low Multilinear Rank
RIKEN, Brain Science Institute(理化学研究所脑科学研究所);Systems Research Institute(系统研究所);Faculty of Automation, Guangdong University of Technology(广东工业大学自动化学院)
本文提出FFCP算法和分布式随机Tucker分解方法,解决大规模张量分解的可扩展性问题,提升处理密集张量的效率与有效性。
2014-12-29 cs.DC cs.NA math.NA
Reweighted Low-Rank Tensor Decomposition based on t-SVD and its Applications in Video Denoising
本文提出基于t-SVD的加权低秩张量分解方法,通过改进张量多秩和稀疏成分恢复,提升视频去噪性能。
2017-07-09 cs.CV cs.NA math.NA
Structured low rank decomposition of multivariate Hankel matrices
UCA, Inria, Aromath(法国南方高等研究院,Inria,Aromath);Laboratory of mathematics and its applications LaMa-Lebanon, Lebanese University(黎巴嫩大学,数学及其应用实验室LaMa-Lebanon)
本文研究了多变量Hankel矩阵H_σ作为小秩Hankel矩阵之和的分解,基于其符号σ作为多项式-指数级数之和的分解,提出新算法计算Hankel算子的低秩分解及其符号分解,利用关联的Artinian Gorenstein商代数A_σ的性质。
2017-01-19 cs.NA math.AG math.NA
Holistic Multivariance Decomposition: Adapting Mode Interrelations in Low-Rank Tensor Approximations
Informatics Institute, Department of Computational Science and Engineering, İstanbul Technical University(伊斯坦布尔理工大学计算科学与工程系信息学研究所)
提出整体多变量分解(HMD)框架,通过专用投影算子显式建模孤立模式效应和高阶相互关系,在多个基准测试中相比Tucker和CP分解显著降低重构误差。
2026-06-26 cs.CE cs.NA math.NA