Sensitivity in tensor decomposition

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F19%3A00509948" target="_blank" >RIV/67985556:_____/19:00509948 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/8846103" target="_blank" >https://ieeexplore.ieee.org/document/8846103</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/LSP.2019.2943060" target="_blank" >10.1109/LSP.2019.2943060</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Sensitivity in tensor decomposition

Popis výsledku v původním jazyce

Canonical polyadic (CP) tensor decomposition is an important task in many applications. Many times, the true tensor rank is not known, or noise is present, and in such situations, different existing CP decomposition algorithms provide very different results. In this paper, we introduce a notion of sensitivity of CP decomposition and suggest to use it as a side criterion (besides the fitting error)nto evaluate different CP decomposition results. Next, we propose a novel variant of a Krylov-Levenberg-Marquardt CP decomposition algorithm which may serve for CP decomposition with a constraint on the sensitivity. In simulations, we decompose order-4 tensors that come from convolutional neural networks. We show that it is useful to combine the CP decomposition algorithms with an error-preserving correction.

Název v anglickém jazyce

Sensitivity in tensor decomposition

Popis výsledku anglicky

Canonical polyadic (CP) tensor decomposition is an important task in many applications. Many times, the true tensor rank is not known, or noise is present, and in such situations, different existing CP decomposition algorithms provide very different results. In this paper, we introduce a notion of sensitivity of CP decomposition and suggest to use it as a side criterion (besides the fitting error)nto evaluate different CP decomposition results. Next, we propose a novel variant of a Krylov-Levenberg-Marquardt CP decomposition algorithm which may serve for CP decomposition with a constraint on the sensitivity. In simulations, we decompose order-4 tensors that come from convolutional neural networks. We show that it is useful to combine the CP decomposition algorithms with an error-preserving correction.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

20201 - Electrical and electronic engineering

Projekt

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

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název periodika

IEEE Signal Processing Letters

ISSN

1070-9908

e-ISSN

—

Svazek periodika

26

Číslo periodika v rámci svazku

11

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

5

Strana od-do

1653-1657

Kód UT WoS článku

000492301000002

EID výsledku v databázi Scopus

2-s2.0-85077750421