Partitioned Hierarchical Alternating Least Squares Algorithm for CP Tensor Decomposition

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F17%3A00472586" target="_blank" >RIV/67985556:_____/17:00472586 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.13140/RG.2.2.29610.82882" target="_blank" >http://dx.doi.org/10.13140/RG.2.2.29610.82882</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.13140/RG.2.2.29610.82882" target="_blank" >10.13140/RG.2.2.29610.82882</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Partitioned Hierarchical Alternating Least Squares Algorithm for CP Tensor Decomposition

Popis výsledku v původním jazyce

Canonical polyadic decomposition (CPD), also known as PARAFAC, is a representation of a given tensor as a sum of rank-one tensors. Traditional method for accomplishing CPD is the alternating least squares (ALS) algorithm. This algorithm is easy to implement with very low computationalncomplexity per iteration. A disadvantage is that in difficult scenarios, where factor matrices in the decomposition contain nearly collinear columns, the number of iterations needed to achieve convergence might be very large. In this paper, we propose a modification of the algorithm which has similar complexity per iteration as ALS, but in difficult scenarios it needs a significantly lower number of iterations.

Název v anglickém jazyce

Partitioned Hierarchical Alternating Least Squares Algorithm for CP Tensor Decomposition

Popis výsledku anglicky

Canonical polyadic decomposition (CPD), also known as PARAFAC, is a representation of a given tensor as a sum of rank-one tensors. Traditional method for accomplishing CPD is the alternating least squares (ALS) algorithm. This algorithm is easy to implement with very low computationalncomplexity per iteration. A disadvantage is that in difficult scenarios, where factor matrices in the decomposition contain nearly collinear columns, the number of iterations needed to achieve convergence might be very large. In this paper, we propose a modification of the algorithm which has similar complexity per iteration as ALS, but in difficult scenarios it needs a significantly lower number of iterations.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10103 - Statistics and probability

Projekt

<a href="/cs/project/GA17-00902S" target="_blank" >GA17-00902S: Pokročilé metody slepé separace podprostorů</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2017

Kód důvěrnosti údajů

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

Název statě ve sborníku

2017 IEEE International Conference on Acoustics, Speech, and Signal Processing ICASSP 2017

ISBN

978-1-5090-4116-9

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

2542-2546

Název nakladatele

IEEE

Místo vydání

New Orleans

Místo konání akce

New Orleans

Datum konání akce

5. 3. 2017

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000414286202143