مقاله بازیابی تانسور مرتبه بالا با یک هنجار 1_U تانسور
| عنوان مقاله به انگلیسی | High-Order Tensor Recovery with A Tensor $U_1$ Norm |
| عنوان مقاله به فارسی | مقاله بازیابی تانسور مرتبه بالا با یک هنجار $1_U$ تانسور |
| نویسندگان | Jingjing Zheng, Wenzhe Wang, Xiaoqin Zhang, Yankai Cao, Xianta Jiang |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| تعداد صفحات | 0 |
| دسته بندی موضوعات | Machine Learning,Computer Vision and Pattern Recognition,Machine Learning,یادگیری ماشین , دید رایانه و تشخیص الگوی , یادگیری ماشین , |
| توضیحات | Submitted 23 November, 2023; originally announced November 2023. |
| توضیحات به فارسی | ارسال شده 23 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد. |
چکیده
Recently, numerous tensor SVD (t-SVD)-based tensor recovery methods have emerged, showing promise in processing visual data. However, these methods often suffer from performance degradation when confronted with high-order tensor data exhibiting non-smooth changes, commonly observed in real-world scenarios but ignored by the traditional t-SVD-based methods. Our objective in this study is to provide an effective tensor recovery technique for handling non-smooth changes in tensor data and efficiently explore the correlations of high-order tensor data across its various dimensions without introducing numerous variables and weights. To this end, we introduce a new tensor decomposition and a new tensor norm called the Tensor $U_1$ norm. We utilize these novel techniques in solving the problem of high-order tensor completion problem and provide theoretical guarantees for the exact recovery of the resulting tensor completion models. An optimization algorithm is proposed to solve the resulting tensor completion model iteratively by combining the proximal algorithm with the Alternating Direction Method of Multipliers. Theoretical analysis showed the convergence of the algorithm to the Karush-Kuhn-Tucker (KKT) point of the optimization problem. Numerical experiments demonstrated the effectiveness of the proposed method in high-order tensor completion, especially for tensor data with non-smooth changes.
چکیده به فارسی (ترجمه ماشینی)
به تازگی ، روشهای بازیابی تانسور مبتنی بر Tensor SVD (T-SVD) پدید آمده است ، و نوید در پردازش داده های بصری را نشان می دهد.با این حال ، این روش ها اغلب در مواجهه با داده های تانسور مرتبه بالا که دارای تغییرات غیر صاف هستند ، از تخریب عملکرد رنج می برند ، که معمولاً در سناریوهای دنیای واقعی مشاهده می شود اما توسط روشهای سنتی مبتنی بر T-SVD نادیده گرفته می شود.هدف ما در این مطالعه ارائه یک تکنیک بازیابی تانسور مؤثر برای رسیدگی به تغییرات غیر صاف در داده های تانسور و بررسی همبستگی داده های تانسور مرتبه بالا در ابعاد مختلف آن بدون معرفی متغیرها و وزن های متعدد است.برای این منظور ، ما یک تجزیه تانسور جدید و یک هنجار تنش جدید به نام هنجار Tensor $ U_1 $ را معرفی می کنیم.ما از این تکنیک های جدید در حل مشکل مشکل تکمیل تانسور مرتبه بالا استفاده می کنیم و ضمانت های نظری را برای بازیابی دقیق مدلهای تکمیل تانسور حاصل می کنیم.یک الگوریتم بهینه سازی برای حل مدل تکمیل تانسور حاصل به طور تکراری با ترکیب الگوریتم پروگزیمال با روش جهت متناوب چند برابر ارائه شده است.تجزیه و تحلیل نظری همگرایی الگوریتم را به نقطه Karush-Kuhn-Tucker (KKT) از مشکل بهینه سازی نشان داد.آزمایش های عددی اثربخشی روش پیشنهادی در تکمیل تانسور مرتبه بالا ، به ویژه برای داده های تانسور با تغییرات غیر صاف را نشان داد.📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.