【张量分解(二)】CP分解
一、CP分解1.1 定义CP分解就是将一个张量分解成多个单秩张量的和。例如,给定一个三阶张量X∈RI×J×K\mathcal{X}\in\mathbb{R}^{I\times J\times K}X∈RI×J×K,则CP分解可以写为X≈∑r=1Rar∘br∘cr\mathcal{X}\approx\sum_{r=1}^{R}\textbf{a}_r\circ\textbf{b}_r\circ...
本文是对论文Tensor Decompositions and Applications进行了翻译、整理、筛选和适当的补充,如何希望深入理解可以阅读原文。
相关文章:
【张量分解(一)】符号与基础知识
【张量分解(二)】CP分解
【张量分解(三)】Tucker分解
一、CP分解
1.1 定义
CP分解就是将一个张量分解成多个单秩张量的和。例如,给定一个三阶张量
X
∈
R
I
×
J
×
K
\mathcal{X}\in\mathbb{R}^{I\times J\times K}
X∈RI×J×K,则CP分解可以写为
X
≈
∑
r
=
1
R
a
r
∘
b
r
∘
c
r
\mathcal{X}\approx\sum_{r=1}^{R}\textbf{a}_r\circ\textbf{b}_r\circ\textbf{c}_r
X≈r=1∑Rar∘br∘cr
其中,
∘
\circ
∘是指向量外积,
R
R
R是正整数且
a
r
∈
R
I
\textbf{a}_r\in\mathbb{R}^I
ar∈RI,
b
r
∈
R
J
\textbf{b}_r\in\mathbb{R}^J
br∈RJ,
c
r
∈
R
K
\textbf{c}_r\in\mathbb{R}^K
cr∈RK。下图展示了三阶张量的CP分解
将上面的CP分解展开,也可以写作
x
i
j
k
≈
∑
r
=
1
R
a
i
r
b
j
r
c
k
r
,
i
=
1
,
2
,
…
,
I
,
j
=
1
,
2
,
…
,
J
,
k
=
1
,
2
,
…
,
K
x_{ijk}\approx\sum_{r=1}^R a_{ir}b_{jr}c_{kr},\quad i=1,2,\dots,I,j=1,2,\dots,J, k=1,2,\dots,K
xijk≈r=1∑Rairbjrckr,i=1,2,…,I,j=1,2,…,J,k=1,2,…,K
此外,对于三阶张量来说,可以从通道切片(frontal slice)的角度表示CP分解
X
k
≈
A
D
(
k
)
B
T
,
D
(
k
)
≡
d
i
a
g
(
c
k
:
)
,
k
=
1
,
…
,
K
\textbf{X}_k\approx\textbf{A}\textbf{D}^{(k)}\textbf{B}^T,\textbf{D}^{(k)}\equiv diag(\textbf{c}_{k:}),k=1,\dots,K
Xk≈AD(k)BT,D(k)≡diag(ck:),k=1,…,K
其中,
X
k
\textbf{X}_k
Xk表示张量
X
\mathcal{X}
X的第k个通道切片。对于行切片和列切片也可以写出类似的公式。
1.2 张量矩阵化后的CP分解
在文章【张量分解(一)】符号与基础知识中介绍过张量的矩阵化。这里主要介绍将张量转换为矩阵后的CP分解。
首先,定义因子矩阵(factor matrices)为CP分解中组成单秩张量的同一维度的向量合并成的矩阵(这个表述有点绕)。具体来说,就是把所有的
a
\textbf{a}
a向量合并成一个矩阵
A
=
[
a
1
a
2
…
a
R
]
\textbf{A}=[\textbf{a}_1\quad\textbf{a}_2\quad\dots\quad\textbf{a}_R]
A=[a1a2…aR]。同理,还可以合成因子矩阵
B
\textbf{B}
B和
C
\textbf{C}
C。那么矩阵化后的张量CP分解形式如下:
X
(
1
)
≈
A
(
B
⊙
C
)
T
\textbf{X}_{(1)}\approx\textbf{A}(\textbf{B}\odot\textbf{C})^T
X(1)≈A(B⊙C)T
X
(
2
)
≈
B
(
C
⊙
A
)
T
\textbf{X}_{(2)}\approx\textbf{B}(\textbf{C}\odot\textbf{A})^T
X(2)≈B(C⊙A)T
X
(
3
)
≈
C
(
B
⊙
A
)
T
\textbf{X}_{(3)}\approx\textbf{C}(\textbf{B}\odot\textbf{A})^T
X(3)≈C(B⊙A)T
其中,
⊙
\odot
⊙表示Khatri-Rao积,
X
(
i
)
\textbf{X}_{(i)}
X(i)表示张量
X
\mathcal{X}
X的模i矩阵化后的矩阵。
1.3 符号表示
为了更加简洁的表达,CP分解可以简写如下
X
≈
⟮
A
,
B
,
C
⟯
\mathcal{X}\approx\lgroup\textbf{A},\textbf{B},\textbf{C}\rgroup
X≈⟮A,B,C⟯
实在是打不出空心方括号(摊手),只能用
⟮
⟯
\lgroup\rgroup
⟮⟯代替了。
通常,假设矩阵
A
\textbf{A}
A,
B
\textbf{B}
B和
C
\textbf{C}
C的列向量是标准化后的向量,并且将提取出来的权重合并入向量
λ
∈
R
R
\mathrm{\lambda}\in\mathbb{R}^R
λ∈RR,因此CP分解还可以写成
X
≈
∑
r
=
1
R
λ
r
a
r
∘
b
r
∘
c
r
=
⟮
λ
;
A
,
B
,
C
⟯
\mathcal{X}\approx\sum_{r=1}^{R}\lambda_{r}\textbf{a}_r\circ\textbf{b}_r\circ\textbf{c}_r=\lgroup\mathrm{\lambda};\textbf{A},\textbf{B},\textbf{C}\rgroup
X≈r=1∑Rλrar∘br∘cr=⟮λ;A,B,C⟯
1.4 高维扩展
先前主要介绍的是三阶张量的CP分解,主要是因为其具有广泛的适用性。对于N阶张量
X
∈
R
I
1
×
I
2
×
⋯
×
I
N
\mathcal{X}\in\mathbb{R}^{I_1\times I_2\times \dots \times I_N}
X∈RI1×I2×⋯×IN,其CP分解为
X
≈
∑
r
=
1
R
λ
r
a
r
(
1
)
∘
a
r
(
2
)
∘
⋯
∘
a
r
(
N
)
=
⟮
λ
;
A
(
1
)
,
A
(
2
)
,
…
,
A
(
N
)
⟯
\mathcal{X}\approx\sum_{r=1}^{R}\lambda_{r}\textbf{a}_r^{(1)}\circ\textbf{a}_r^{(2)}\circ\dots\circ\textbf{a}_r^{(N)}=\lgroup\mathrm{\lambda};\textbf{A}^{(1)},\textbf{A}^{(2)},\dots,\textbf{A}^{(N)}\rgroup
X≈r=1∑Rλrar(1)∘ar(2)∘⋯∘ar(N)=⟮λ;A(1),A(2),…,A(N)⟯
其中,
λ
∈
R
R
\mathrm{\lambda}\in\mathbb{R}^R
λ∈RR且
A
(
n
)
∈
R
I
n
×
R
,
n
=
1
,
2
,
…
,
N
\textbf{A}^{(n)}\in\mathbb{R}^{I_n\times R},n=1,2,\dots,N
A(n)∈RIn×R,n=1,2,…,N
类似的,N阶张量
X
\mathcal{X}
X进行模n矩阵化后的CP分解为
X
(
n
)
≈
A
(
n
)
Λ
(
A
(
N
)
⊙
⋯
⊙
A
n
+
1
⊙
A
n
−
1
⊙
⋯
⊙
A
(
1
)
)
T
\textbf{X}_{(n)}\approx\textbf{A}^{(n)}\mathrm{\Lambda}(\textbf{A}^{(N)}\odot\dots\odot\textbf{A}^{n+1}\odot\textbf{A}^{n-1}\odot\dots\odot\textbf{A}^{(1)})^T
X(n)≈A(n)Λ(A(N)⊙⋯⊙An+1⊙An−1⊙⋯⊙A(1))T
其中,对角矩阵
Λ
=
d
i
a
g
(
λ
)
\mathrm{\Lambda}=diag(\mathrm{\lambda})
Λ=diag(λ)。
二、张量的秩(Tensor Rank)
2.1 张量秩的定义
用于生成张量 X \mathcal{X} X所需要的单秩张量的最小数量即为张量 X \mathcal{X} X的秩,用 r a n k ( X ) rank{\mathcal{(X)}} rank(X)表示。换个角度,张量的秩就是CP分解时单秩张量数量的最小值。
2.2 张量秩与矩阵秩
此外,张量的秩与矩阵秩的定义非常相似,但是二值的性质非常的不同。例如,实数张量的秩在实数域 R \mathbb{R} R和复数域 C \mathbb{C} C上可能会不同。另一个张量秩和矩阵秩的显著不同是,当前没有一个直接的方法来确定给定张量的秩。例如,Krushkal对特定的 9 × 9 × 9 9\times9\times9 9×9×9的张量进行分析,只能确定其秩在18到23之间。在实际应用中,张量的秩是通过CP分解来确定的。
2.3 张量的最大秩和典型秩
最大秩:一类张量能够达到的最大的秩称为张量的最大秩(maximum rank)。典型秩:一个从均匀连续分别中随机抽取元素所组成的张量中,出现概率大于0的任何秩。
具体来说,对于所有形状为
I
×
J
I\times J
I×J的矩阵,最大秩和典型秩均等于
m
i
n
{
I
,
J
}
min\{I,J\}
min{I,J}。但是对于张量来说,最大秩和典型秩可能不相同,而且典型秩可能不只一个。例如
2
×
2
×
2
2\times 2\times 2
2×2×2张量的典型秩为2或3,通过蒙特卡洛实验也可以发现秩为2的张量占79%,秩为3的张量占21%,秩为1的张量在理论上虽然可能,但是实际概率为0。
对于一般的三阶张量
X
∈
R
I
×
J
×
K
\mathcal{X}\in\mathbb{R}^{I\times J\times K}
X∈RI×J×K,当前只知道其最大秩的一个弱上界
r
a
n
k
(
X
)
≤
m
i
n
{
I
J
,
I
K
,
J
K
}
rank(\mathcal{X})\leq min\{IJ,IK,JK\}
rank(X)≤min{IJ,IK,JK}
对于特定形状或类型的张量来说,有可能存在一些确定最大秩和典型秩的具体值或者范围的方法,可以参考原文Tensor Decompositions and Applications
三、唯一性
高阶张量的一个有趣的特性是它的秩分解是唯一的,而通常矩阵分解不是。
3.1 矩阵分解的不唯一性
对于秩为
R
R
R的矩阵
X
∈
R
I
×
J
\textbf{X}\in\mathbb{R}^{I\times J}
X∈RI×J,其秩分解可以写为
X
=
AB
T
=
∑
r
=
1
R
a
r
∘
b
r
\textbf{X}=\textbf{AB}^T=\sum_{r=1}^R\textbf{a}_r\circ\textbf{b}_r
X=ABT=r=1∑Rar∘br
具体来说,对于矩阵
X
\textbf{X}
X的SVD分解为
U
Σ
V
T
\mathrm{U\Sigma V}^T
UΣVT,为了与上面的秩分解对于,令
A
=
U
Σ
\textbf{A}=\mathrm{U\Sigma}
A=UΣ且
B
=
V
\textbf{B}=\mathrm{V}
B=V。但是,如果令
A
=
U
Σ
W
\textbf{A}=\mathrm{U\Sigma W}
A=UΣW且
B
=
V
W
\textbf{B}=\mathrm{VW}
B=VW,其中
W
\mathrm{W}
W是
R
×
R
R\times R
R×R的正交矩阵(
W
T
W
=
E
W^TW=E
WTW=E),同样也满足矩阵秩分解的定义。
换句话说,我们可以轻易的构造两个完全不同的单秩矩阵集合,但是集合中的矩阵相加就等于原始矩阵。而SVD分解的唯一性仅仅是因为正交约束的加入。
3.2 张量分解的唯一性
通常,在十分微弱的约束条件下,张量的CP分解就是唯一的。对于秩为
R
R
R的三阶张量
X
∈
R
I
×
J
×
K
\mathcal{X}\in\mathbb{R}^{I\times J\times K}
X∈RI×J×K,其CP分解为
X
=
∑
r
=
1
R
a
r
∘
b
r
∘
c
r
=
⟮
A
,
B
,
C
⟯
\mathcal{X}=\sum_{r=1}^{R}\textbf{a}_r\circ\textbf{b}_r\circ\textbf{c}_r=\lgroup\textbf{A},\textbf{B},\textbf{C}\rgroup
X=r=1∑Rar∘br∘cr=⟮A,B,C⟯
而唯一性就是指上面的分解中是唯一可能的单秩矩阵的组合。当然,这是排除了缩放和重新排列后的唯一性。例如这里使用置换矩阵对分解后的单秩矩阵的列进行重排列
X
=
⟮
A
,
B
,
C
⟯
=
⟮
A
Π
,
B
Π
,
C
Π
⟯
\mathcal{X}=\lgroup\textbf{A},\textbf{B},\textbf{C}\rgroup=\lgroup\textbf{A}\Pi,\textbf{B}\Pi,\textbf{C}\Pi\rgroup
X=⟮A,B,C⟯=⟮AΠ,BΠ,CΠ⟯
其中,
Π
\Pi
Π是
R
×
R
R\times R
R×R的置换矩阵。同样,对于将CP分解中的向量进行缩放也不影响CP分解的结果,例如
X
=
∑
r
=
1
R
(
α
r
a
r
)
∘
(
β
r
b
r
)
∘
(
γ
r
c
r
)
\mathcal{X}=\sum_{r=1}^R(\alpha_r\textbf{a}_r)\circ(\beta_r\textbf{b}_r)\circ(\gamma_r\textbf{c}_r)
X=r=1∑R(αrar)∘(βrbr)∘(γrcr)
其中,
α
r
β
r
γ
r
=
1
,
r
=
1
,
.
.
.
,
R
\alpha_r\beta_r\gamma_r=1,r=1,...,R
αrβrγr=1,r=1,...,R
3.3 CP分解唯一性的充分条件
对于CP分解
X
=
⟮
A
,
B
,
C
⟯
\mathcal{X}=\lgroup\textbf{A},\textbf{B},\textbf{C}\rgroup
X=⟮A,B,C⟯,令
k
A
k_A
kA、
k
B
k_B
kB、
k
C
k_C
kC分别表示矩阵
A
\textbf{A}
A、
B
\textbf{B}
B、
C
\textbf{C}
C的秩,那么CP分解唯一的充分条件是
k
A
+
k
B
+
k
C
≥
2
R
+
2
k_A+k_B+k_C\ge2R+2
kA+kB+kC≥2R+2
将上面的条件扩展至N维,对于张量
X
=
∑
r
=
1
R
a
r
(
1
)
∘
a
r
(
2
)
∘
⋯
∘
a
r
(
N
)
=
⟮
A
(
1
)
,
A
(
2
)
,
…
,
A
(
N
)
⟯
\mathcal{X}=\sum_{r=1}^R\textbf{a}_{r}^{(1)}\circ \textbf{a}_{r}^{(2)}\circ\dots\circ\textbf{a}_{r}^{(N)}=\lgroup\textbf{A}^{(1)},\textbf{A}^{(2)},\dots,\textbf{A}^{(N)}\rgroup
X=r=1∑Rar(1)∘ar(2)∘⋯∘ar(N)=⟮A(1),A(2),…,A(N)⟯,其CP分解唯一性的充分条件为
∑
n
=
1
N
k
A
(
n
)
≥
2
R
+
(
N
−
1
)
\sum_{n=1}^N k_{\textbf{A}^{(n)}}\ge2R+(N-1)
n=1∑NkA(n)≥2R+(N−1)
3.4 CP分解唯一性的必要条件
上面的充分条件在
R
=
2
R=2
R=2或
R
=
3
R=3
R=3的条件下,也是CP分解唯一性的必要条件,但是当
R
>
3
R>3
R>3则不成立。更加广泛的CP分解唯一性的必要条件为
m
i
n
{
r
a
n
k
(
A
⊙
B
)
,
r
a
n
k
(
A
⊙
C
)
,
r
a
n
k
(
B
⊙
C
)
}
=
R
min\{rank(\textbf{A}\odot\textbf{B}),rank(\textbf{A}\odot\textbf{C}),rank(\textbf{B}\odot\textbf{C})\}=R
min{rank(A⊙B),rank(A⊙C),rank(B⊙C)}=R
推广的N维情况下,则
m
i
n
n
=
1
,
…
,
N
r
a
n
k
(
A
(
1
)
⊙
⋯
⊙
A
(
n
−
1
)
⊙
A
(
n
+
1
)
⊙
⋯
⊙
A
(
N
)
)
=
R
min_{n=1,\dots,N}rank(\textbf{A}^{(1)}\odot\dots\odot\textbf{A}^{(n-1)}\odot\textbf{A}^{(n+1)}\odot\dots\odot\textbf{A}^{(N)})=R
minn=1,…,Nrank(A(1)⊙⋯⊙A(n−1)⊙A(n+1)⊙⋯⊙A(N))=R
但是,由于性质
r
a
n
k
(
A
⊙
B
)
≤
r
a
n
k
(
A
⊗
B
)
≤
r
a
n
k
(
A
)
⋅
r
a
n
k
(
B
)
rank(\textbf{A}\odot\textbf{B})\le rank(\textbf{A}\otimes\textbf{B})\le rank(\textbf{A})\cdot rank(\textbf{B})
rank(A⊙B)≤rank(A⊗B)≤rank(A)⋅rank(B)
因此,N维下的必要条件可以扩展为
m
i
n
n
=
1
,
…
,
N
(
r
a
n
k
(
A
(
1
)
)
⋅
⋯
⋅
r
a
n
k
(
A
(
n
−
1
)
)
⋅
r
a
n
k
(
A
(
n
+
1
)
)
⋅
⋯
⋅
r
a
n
k
(
A
(
N
)
)
)
≥
R
min_{n=1,\dots,N}\Big(rank(\textbf{A}^{(1)})\cdot\dots\cdot rank(\textbf{A}^{(n-1)})\cdot rank(\textbf{A}^{(n+1)})\cdot\dots\cdot rank(\textbf{A}^{(N)})\Big)\ge R
minn=1,…,N(rank(A(1))⋅⋯⋅rank(A(n−1))⋅rank(A(n+1))⋅⋯⋅rank(A(N)))≥R
3.5 CP分解唯一性的判断标准
对于秩为
R
R
R的三阶张量
X
∈
R
I
×
J
×
K
\mathcal{X}\in\mathbb{R}^{I\times J\times K}
X∈RI×J×K,当满足条件
R
≤
K
并
且
R
(
R
−
1
)
≤
I
(
I
−
1
)
J
(
J
−
1
)
/
2
R\le K并且R(R-1)\le I(I-1)J(J-1)/2
R≤K并且R(R−1)≤I(I−1)J(J−1)/2
则,其CP分解是唯一的。
类似的,对于秩为R的四阶张量
X
∈
R
I
×
J
×
K
×
L
\mathcal{X}\in\mathbb{R}^{I\times J\times K\times L}
X∈RI×J×K×L,其CP分解唯一的条件是
R
≤
L
并
且
R
(
R
−
1
)
≤
I
J
K
(
3
I
J
K
−
I
J
−
I
K
−
J
K
−
I
−
J
−
K
+
3
)
/
4
R\le L并且R(R-1)\le IJK(3IJK-IJ-IK-JK-I-J-K+3)/4
R≤L并且R(R−1)≤IJK(3IJK−IJ−IK−JK−I−J−K+3)/4
四、低秩近似与边界秩(border rank)
4.1 矩阵的低秩近似
给定一个秩为
R
R
R的矩阵
A
\textbf{A}
A,那么该矩阵的SVD分解可以写作:
A
=
∑
r
=
1
R
σ
r
u
r
∘
v
r
,
其
中
σ
1
≥
σ
2
≥
⋯
≥
σ
R
\textbf{A}=\sum_{r=1}^R\sigma_r\textbf{u}_r\circ\textbf{v}_r,其中\sigma_1\ge\sigma_2\ge\dots\ge\sigma_R
A=r=1∑Rσrur∘vr,其中σ1≥σ2≥⋯≥σR
那么该矩阵的秩k近似,可以直接使用SVD分解中前k个部分,即
B
=
∑
r
=
1
k
σ
r
u
r
∘
v
r
\textbf{B}=\sum_{r=1}^k\sigma_r\textbf{u}_r\circ\textbf{v}_r
B=r=1∑kσrur∘vr
4.2 张量的低秩近似
上面对于矩阵的结果并不适用于张量。给定一个秩为
R
R
R的三阶张量,其CP分解为
X
=
∑
r
=
1
R
λ
r
a
r
∘
b
r
∘
c
r
\mathcal{X}=\sum_{r=1}^R\lambda_r\textbf{a}_r\circ\textbf{b}_r\circ\textbf{c}_r
X=r=1∑Rλrar∘br∘cr
按上面矩阵的低秩近似来看,三阶张量的秩k近似也应该是其中k个部分的和,但实际情况并非如此。
Kolda提供过一个例子,对于一个三阶张量的单秩近似并不是秩2近似的组成部分(在矩阵的低秩分解中一定成立)。因此会得出一个推论,一个张量的最优秩k近似中的k个组成部分并不是按顺序求得的,而是需要同时被发现的。
总的来说,这个问题比较复杂,有时一个张量的最优秩k近似不一定存在。如果一个张量可以通过低秩的因式分解任意逼近,那么该张量就是一个退化张量。
举一个具体的例子来说,给定一个秩为3的具体三阶张量
X
∈
R
I
×
J
×
K
\mathcal{X}\in\mathbb{R}^{I\times J\times K}
X∈RI×J×K为
X
=
a
1
∘
b
1
∘
c
2
+
a
1
∘
b
2
∘
c
1
+
a
2
∘
b
1
∘
c
1
\mathcal{X}=\textbf{a}_1\circ\textbf{b}_1\circ\textbf{c}_2+\textbf{a}_1\circ\textbf{b}_2\circ\textbf{c}_1+\textbf{a}_2\circ\textbf{b}_1\circ\textbf{c}_1
X=a1∘b1∘c2+a1∘b2∘c1+a2∘b1∘c1
其中,
A
∈
R
I
×
2
,
B
∈
R
J
×
2
,
C
∈
R
K
×
2
\textbf{A}\in\mathbb{R}^{I\times 2},\textbf{B}\in\mathbb{R}^{J\times 2},\textbf{C}\in\mathbb{R}^{K\times 2}
A∈RI×2,B∈RJ×2,C∈RK×2是由于上式中对应的向量组成的,且这三个矩阵的列向量线性无关。
上面描述的张量可以使用下面的下面的秩2张量进行任意的近似
Y
=
n
(
a
1
+
1
n
a
2
)
∘
(
b
1
+
1
n
b
2
)
∘
(
c
1
+
1
n
c
2
)
−
n
a
1
∘
b
1
∘
c
1
\mathcal{Y}=n\Big(\textbf{a}_1+\frac{1}{n}\textbf{a}_2\Big)\circ\Big(\textbf{b}_1+\frac{1}{n}\textbf{b}_2\Big)\circ\Big(\textbf{c}_1+\frac{1}{n}\textbf{c}_2\Big)-n\textbf{a}_1\circ\textbf{b}_1\circ\textbf{c}_1
Y=n(a1+n1a2)∘(b1+n1b2)∘(c1+n1c2)−na1∘b1∘c1
原始的秩3张量
X
\mathcal{X}
X和近似的秩2张量
Y
\mathcal{Y}
Y之间的误差为
∥
X
−
Y
∥
=
1
n
∥
a
2
∘
b
2
∘
c
1
+
a
2
∘
b
1
∘
c
2
+
a
1
∘
b
2
∘
c
2
+
1
n
a
2
∘
b
2
∘
c
2
∥
\Vert\mathcal{X}-\mathcal{Y}\Vert=\frac{1}{n}\Big\Vert\textbf{a}_2\circ\textbf{b}_2\circ\textbf{c}_1+\textbf{a}_2\circ\textbf{b}_1\circ\textbf{c}_2+\textbf{a}_1\circ\textbf{b}_2\circ\textbf{c}_2+\frac{1}{n}\textbf{a}_2\circ\textbf{b}_2\circ\textbf{c}_2\Big\Vert
∥X−Y∥=n1∥∥∥a2∘b2∘c1+a2∘b1∘c2+a1∘b2∘c2+n1a2∘b2∘c2∥∥∥
当然,这个误差可以任意的小。
4.3 边界秩(border rank)
在不存在最优低秩近似的情况下,可以考虑边界秩。其定义为,能够以任意非零误差充分近似给定张量的最小单秩张量的数量。形式化的定义为
r
a
n
k
~
(
X
)
=
m
i
n
{
r
∣
对
于
任
意
ϵ
>
0
,
均
存
在
一
个
张
量
E
满
足
∥
E
∥
<
ϵ
且
r
a
n
k
(
X
+
E
)
=
r
}
\widetilde{rank}(\mathcal{X})=min\{r|对于任意\epsilon>0,均存在一个张量\mathcal{E}满足\Vert\mathcal{E}\Vert<\epsilon且rank(\mathcal{X}+\mathcal{E})=r\}
rank
(X)=min{r∣对于任意ϵ>0,均存在一个张量E满足∥E∥<ϵ且rank(X+E)=r}
显然,
r
a
n
k
~
(
X
)
≤
r
a
n
k
(
X
)
\widetilde{rank}(\mathcal{X})\le rank(\mathcal{X})
rank
(X)≤rank(X)
五、计算CP分解
本小节介绍怎么计算一个张量的CP分解。
在前面的小节中提到过,没有一个有限的算法可以确定张量的秩。而CP分解则是将待分解张量分解成
R
R
R个单秩张量,其中
R
R
R就是待分解张量的秩。因此,计算CP分解的第一个问题就是如何确定张量的秩。
大多数的CP求解思路是尝试不同的
R
R
R值来拟合待分解张量,直至找到一个最佳的分解。对于无噪声的数据,那么可以对
R
R
R的值从1,2,…这样逐步尝试,从而得到一个最优的CP分解。但是,前面介绍了张量的低秩近似,一个张量可以被一个更低秩的张量任意逼近,这在实际中有一些问题。
5.1 计算三阶张量的CP分解
假设CP分解中的
R
R
R取值已经确定,那么这里介绍一种求解CP分解的ALS(交替最小二乘法)算法。
令
X
∈
R
I
×
J
×
K
\mathcal{X}\in\mathbb{R}^{I\times J\times K}
X∈RI×J×K,该算法的目标是计算一个包含
R
R
R个单秩张量的CP分解,使其尽量近似
X
\mathcal{X}
X,即
m
i
n
X
^
∥
X
−
X
^
∥
,
其
中
X
^
=
∑
r
=
1
R
λ
r
a
r
∘
b
r
∘
c
r
=
⟮
λ
;
A
,
B
,
C
⟯
min_{\hat{\mathcal{X}}}\Vert\mathcal{X}-\hat{\mathcal{X}}\Vert,其中\hat{\mathcal{X}}=\sum_{r=1}^{R}\lambda_r\textbf{a}_r\circ\textbf{b}_r\circ\textbf{c}_r=\lgroup\mathrm{\lambda};\textbf{A},\textbf{B},\textbf{C}\rgroup
minX^∥X−X^∥,其中X^=r=1∑Rλrar∘br∘cr=⟮λ;A,B,C⟯
交替最小二乘法(ALS)就是固定B和C,求解A;再固定A和C,求解B;再固定A和B,求解C。重复上面的过程,直至满足收敛条件。这就是ALS的思路。
固定两个张量来求解另外一个张量,这就变成了线性最小二乘的问题。例如,B和C固定,那么依照1.2节中张量矩阵化后的CP分解,那么就能把上面的最小化问题重写为
m
i
n
A
^
∥
X
(
1
)
−
A
^
(
C
⊙
B
)
T
∥
F
,
其
中
A
^
=
A
⋅
d
i
a
g
(
λ
)
min_{\hat{\textbf{A}}}\Vert\textbf{X}_{(1)}-\hat{\textbf{A}}(\textbf{C}\odot\textbf{B})^T\Vert_F,其中\hat{\textbf{A}}=\textbf{A}\cdot diag(\lambda)
minA^∥X(1)−A^(C⊙B)T∥F,其中A^=A⋅diag(λ)
上面的最小化问题的最优解为
A
^
=
X
(
1
)
[
(
C
⊙
B
)
T
]
−
1
\hat{\textbf{A}}=\textbf{X}_{(1)}[(\textbf{C}\odot\textbf{B})^T]^{-1}
A^=X(1)[(C⊙B)T]−1
其中,-1是指张量的伪逆,而Khatri-Rao积的伪逆可以进行变换,因此上面的最优解还可以写作
A
^
=
X
(
1
)
(
C
⊙
B
)
(
C
T
C
∗
B
T
B
)
−
1
\hat{\textbf{A}}=\textbf{X}_{(1)}(\textbf{C}\odot\textbf{B})(\textbf{C}^T\textbf{C}*\textbf{B}^T\textbf{B})^{-1}
A^=X(1)(C⊙B)(CTC∗BTB)−1
这个版本写法的最优解有一个优势,仅需要求解一个
R
×
R
R\times R
R×R矩阵的伪逆,而不是
J
K
×
R
JK\times R
JK×R矩阵的伪逆。最后,对矩阵
A
^
\hat{\textbf{A}}
A^的列进行标准化后就得到了矩阵
A
\textbf{A}
A。
5.2 ALS算法在高维张量上的应用
给定N阶张量
X
∈
R
I
1
×
I
2
×
⋯
×
I
N
\mathcal{X}\in\mathbb{R}^{I_1\times I_2\times\dots\times I_N}
X∈RI1×I2×⋯×IN,使用CP分解将其分解为
R
R
R个单秩矩阵的ALS算法。
更多推荐
所有评论(0)