On Revealing Replicating Structures in Multiway Data: A Novel Tensor Decomposition Approach

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F12%3A00376327" target="_blank" >RIV/67985556:_____/12:00376327 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-642-28551-6_37" target="_blank" >http://dx.doi.org/10.1007/978-3-642-28551-6_37</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-28551-6_37" target="_blank" >10.1007/978-3-642-28551-6_37</a>

Jazyk výsledku

angličtina

Název v původním jazyce

On Revealing Replicating Structures in Multiway Data: A Novel Tensor Decomposition Approach

Popis výsledku v původním jazyce

A novel tensor decomposition is proposed to make it possible to identify replicating structures in complex data, such as textures and patterns in music spectrograms. In order to establish a computational framework for this paradigm, we adopt a multiway (tensor) approach. To this end, a novel tensor product is introduced, and the subsequent analysis of its properties shows a perfect match to the task of identification of recurrent structures present in the data. Out of a whole class of possible algorithms, we illuminate those derived so as to cater for orthogonal and nonnegative patterns. Simulations on texture images and a complex music sequence confirm the benefits of the proposed model and of the associated learning algorithms.

Název v anglickém jazyce

On Revealing Replicating Structures in Multiway Data: A Novel Tensor Decomposition Approach

Popis výsledku anglicky

A novel tensor decomposition is proposed to make it possible to identify replicating structures in complex data, such as textures and patterns in music spectrograms. In order to establish a computational framework for this paradigm, we adopt a multiway (tensor) approach. To this end, a novel tensor product is introduced, and the subsequent analysis of its properties shows a perfect match to the task of identification of recurrent structures present in the data. Out of a whole class of possible algorithms, we illuminate those derived so as to cater for orthogonal and nonnegative patterns. Simulations on texture images and a complex music sequence confirm the benefits of the proposed model and of the associated learning algorithms.

Druh

D - Stať ve sborníku

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

<a href="/cs/project/GA102%2F09%2F1278" target="_blank" >GA102/09/1278: Pokročilé metody slepé separace signálu a slepé dekonvoluce</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2012

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Latent Variable Analysis and Signal Separation

ISBN

978-3-642-28550-9

ISSN

—

e-ISSN

—

Počet stran výsledku

9

Strana od-do

297-305

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Tel Aviv

Datum konání akce

12. 3. 2012

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—