张量分解浅谈(四 Tucker 分解) | 您所在的位置:网站首页 › TUCKER品牌 › 张量分解浅谈(四 Tucker 分解) |
学完了SVD算法之后,我们继续回到张量几大分解的学习上来,本期学习的主要内容是张量的 Tucker 分解 以及 前面的CP分解还留下一点没有说完,正好一并补齐!后面的公式我将采用颜色标记,红色代表必须掌握,蓝色尽量掌握! 在这之前先附一张图,包含了各种运算符号的名称含义,大部分是前面说过或者使用过的: Tensor decomposition 一 . Tucker 分解公式介绍和原理二 . 张量的 n-Rank三 . Tucker分解法的计算四 . Tucker 与CP 分解的区别联系 一 . Tucker 分解公式介绍和原理我们先来看一张被使用过很多次的Trucker 分解图片,这是在三阶张量上的分解形式!过程貌似可能应该差不多 肯定有点枯燥无味,坚持一下,本人已经被张量学习掏空了! 如上图所示:对于一个三阶张量 X ∈ R I × J × K \mathcal{X} \in \mathbb{R}^{I \times J \times K} X∈RI×J×K而言,经过Tucker分解可以得到:三个因子矩阵 A ∈ R I × P , B ∈ R J × Q , C ∈ R K × R A \in \mathbb{R}^{I \times P}, B \in \mathbb{R}^{J \times Q}, C \in \mathbb{R}^{K \times R} A∈RI×P,B∈RJ×Q,C∈RK×R和一个核张量 G ∈ R P × Q × R \mathcal{G} \in \mathbb{R}^{P \times Q \times R} G∈RP×Q×R ,每个mode上的因子矩阵称为张量在每个mode上的基矩阵或者是主成分,因此Tucker 分解又称为高阶PCA, 高阶SVD等。 在三阶张量形式中,,我们有如下分解: X = G × 1 A × 2 B × 3 C = ∑ p = 1 P ∑ q = 1 Q ∑ r = 1 R g p q r a p ∘ b q ∘ c r = [ [ G ; A , B , C ] ] \mathcal{X}=\mathcal{G} \times_{1} A \times_{2} B \times_{3} C=\sum_{p=1}^{P} \sum_{q=1}^{Q} \sum_{r=1}^{R} g_{p q r} a_{p} \circ b_{q} \circ c_{r}=[[\mathcal{G} ; A, B, C]] X=G×1A×2B×3C=p=1∑Pq=1∑Qr=1∑Rgpqrap∘bq∘cr=[[G;A,B,C]] 显然,矩阵 A , B , C \boldsymbol{A},\boldsymbol{B},\boldsymbol{C} A,B,C 就是因子矩阵了,他们通常可以被作每个mode下的主成分,同样也是相互正交的!那么图中的长方体张量 G ∈ R P × Q × R \mathcal{G} \in \mathbb{R}^{P \times Q \times R} G∈RP×Q×R 就是核心张量了,它其中的每一个数字元素都代表了不同成分之间的互动程度! 那么对于原始张量的每一个元素来说,Tucker 分解法 可以写作: x i j k ≈ ∑ p = 1 P ∑ q = 1 Q ∑ r = 1 R g p q r a i p b j q c k r for i = 1 , … , I , j = 1 , … , J , k = 1 , … , K x_{i j k} \approx \sum_{p=1}^{P} \sum_{q=1}^{Q} \sum_{r=1}^{R} g_{p q r} a_{i p} b_{j q} c_{k r} \quad \text { for } \quad i=1, \ldots, I, j=1, \ldots, J, k=1, \ldots, K xijk≈p=1∑Pq=1∑Qr=1∑Rgpqraipbjqckr for i=1,…,I,j=1,…,J,k=1,…,K 需要注意:这里的 P , Q , R \boldsymbol{P},\boldsymbol{Q},\boldsymbol{R} P,Q,R 为对应的因子矩阵 A , B , C \boldsymbol{A},\boldsymbol{B},\boldsymbol{C} A,B,C的成分数目(例如列向量的数目),如果 P , Q , R \boldsymbol{P},\boldsymbol{Q},\boldsymbol{R} P,Q,R 均小于 i , j , k \boldsymbol{i},\boldsymbol{j},\boldsymbol{k} i,j,k,我们可以将核心张量 G \mathcal{G} G 视作是原张量 X \mathcal{X} X 的一个压缩版本,一般情况下,它所占用的空间是被压缩了的! 除此之外,我们应当还需要知道三阶张量的矩阵张来: 突然跳出来个 G G G ,它代表的是核心张量的三个切片,公式中对应的X也是与其对应的原张量切片。你完全可以举个小例子去验证 ,对帮助理解有好处! 这些公式当然不限制于更高阶的张量分解,其公式按照上面这个两个依葫芦画瓢即可,就不多赘述了。 对于三阶张量固定一个因子矩阵为单位阵,就得到Tucker分解一个重要的特例:Tucker2: X = G × 1 A × 2 B = [ G ; A , B , I ] \mathcal{X}=\mathcal{G} \times_{1} A \times_{2} B=[\mathcal{G} ; A, B, I] X=G×1A×2B=[G;A,B,I] 进一步,如果固定两个因子矩阵 C = I , B = I C=I, B=I C=I,B=I,就得到了Tucker1,那么此时Tucker 分解就退化成了普通的二维PCA: X = G × 1 A = [ G ; A , I , I ] \mathcal{X}=\mathcal{G} \times_{1} A=[\mathcal{G} ; A, I, I] X=G×1A=[G;A,I,I] 这也证实了张量的Tucker 分解就是高阶PCA! 二 . 张量的 n-Rankn-Rank秩又称为多线性秩,一个N阶张量 X \mathcal{X} X 的 n-mode秩定义如下: rank n ( X ) = rank ( X ( n ) ) \operatorname{rank}_{n}(\mathcal{X})=\operatorname{rank}\left(X_{(n)}\right) rankn(X)=rank(X(n)) 特别要注意,这两个X不一样 我刚开始看成一样的,后面怎么看也没看懂。。。。 先令 rank n ( X ) = R n , n = 1 , ⋯ , N \operatorname{rank}_{n}(\mathcal{X})=R_{n}, n=1, \cdots, N rankn(X)=Rn,n=1,⋯,N,那么 X \mathcal{X} X 就叫做 秩- ( R 1 , R 2 , ⋯ , R n ) \left(R_{1}, R_{2}, \cdots, R_{n}\right) (R1,R2,⋯,Rn) 的张量(这只是一种表示高阶张量秩的方法,莫奇怪!), R n R_{n} Rn 可以看做是 张量 X \mathcal{X} X 在各个切片上的 所构成空间的维度,说白了,张量的秩直接不好表示,就用其切片矩阵的秩来表示。。。。 n-rank切记不能与秩(rank), 也就是最小的秩1成分数目, 所混淆. 这两个不是一个东西! 对于一个给定的张量 X \mathcal{X} X, 我们可以很轻易地找到一个秩为 R 1 , R 2 , … , R N R_{1}, R_{2}, \ldots, R_{N} R1,R2,…,RN where R n = rank n ( X ) R_{n}=\operatorname{rank}_{n}(\mathcal{X}) Rn=rankn(X) 的精确 Tucker 分解, 但如果我们计算的Tucker分解的秩低于这组值, 也就是对某些n来说 R n < rank n ( X ) R_{n} |
CopyRight 2018-2019 实验室设备网 版权所有 |