Streaming Generalized Canonical Polyadic Tensor Decompositions
Streaming Generalized Canonical Polyadic Tensor Decompositions
复制标题
流式传输广义正则多进张量分解
DOI：
10.1145/3592979.3593405
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
T. Kolda
中科院分区：
文献类型：
--
作者：
E. Phipps;Nicholas T. Johnson;T. Kolda
在本文中，我们开发了一种我们称之为OnlineGCP的方法，用于计算流数据的广义规范多向（GCP）张量分解。GCP与传统的规范多向（CP）张量分解不同，因为它允许使用CP模型试图最小化的任意目标函数。当观测到的张量数据具有强烈的非高斯性时，这种方法可以提供更好的拟合和更具可解释性的模型。在流数据的情况下，张量数据是随时间逐渐被观测到的，并且算法必须在对先前数据访问有限的情况下增量式地更新GCP分解。在这项工作中，我们通过在观测到新的张量数据时推导一个要解决的GCP优化问题，将GCP形式体系扩展到流数据环境；制定一个可调的历史项，以平衡对近期观测数据和过去观测数据的重构；基于使用随机梯度下降方法的分离求解，开发一种可扩展的解决方案策略；描述一个软件实现，该实现对当代CPU和GPU架构提供性能和可移植性；并在几个合成的和真实的张量数据集上展示该方法和软件的实用性和性能。
In this paper, we develop a method which we call OnlineGCP for computing the Generalized Canonical Polyadic (GCP) tensor decomposition of streaming data. GCP differs from traditional canonical polyadic (CP) tensor decompositions as it allows for arbitrary objective functions which the CP model attempts to minimize. This approach can provide better fits and more interpretable models when the observed tensor data is strongly non-Gaussian. In the streaming case, tensor data is gradually observed over time and the algorithm must incrementally update a GCP factorization with limited access to prior data. In this work, we extend the GCP formalism to the streaming context by deriving a GCP optimization problem to be solved as new tensor data is observed, formulate a tunable history term to balance reconstruction of recently observed data with data observed in the past, develop a scalable solution strategy based on segregated solves using stochastic gradient descent methods, describe a software implementation that provides performance and portability to contemporary CPU and GPU architectures and demonstrate the utility and performance of the approach and software on several synthetic and real tensor data sets.
DOI：
10.1137/1.9781611975321.44
发表时间：
2017-09
期刊：
ArXiv
影响因子：
--
作者：
Ekta Gujral;Ravdeep Pasricha;E. Papalexakis
通讯作者：
Ekta Gujral;Ravdeep Pasricha;E. Papalexakis
DOI：
10.1007/978-3-030-10928-8_20
发表时间：
2018-04
期刊：
--
影响因子：
--
作者：
Ravdeep Pasricha;Ekta Gujral;E. Papalexakis
通讯作者：
Ravdeep Pasricha;Ekta Gujral;E. Papalexakis