张量分解方法研究

k
n 1
N
A( n )
2R N 1
这里 kA 表示矩阵 A 的k-秩：任意k列都线性无关的最大 的k
26

张量的低秩近似
◦ 然而在低秩近似方面，高阶张量的性质比矩阵SVD差
Kolda给出了一个例子，一个立方张量的最佳秩-1近似并不 包括在其最佳秩-2近似中，这说明张量的秩-k近似无法渐进 地得到 下面的例子说明，张量的“最佳”秩-k近似甚至不一定存在
◦ 性质：A B C A B C A B C
16

矩阵的Hadamard乘积
◦ A I ×J , B I ×J ，则
a11b11 a b A B 21 21 aI 1bI 1
◦ 性质： A B
T
a12 b12 a22 b22 aI 2bI 2
24

张量的秩
◦ 不同于矩阵的秩，高阶张量的秩在实数域和复数域上不一 定相同。例如一个三阶张量 X
在实数域内进行秩分解得到的因子矩阵为
1 0 X1 0 1
0 1 X2 1 0
而在复数域内进行分解得到的因子矩阵为
1 0 1 A 0 1 1
X n U i i
1
n1 jin1iN
xi1i2iN u jin
in 1
n
◦ 这个定义可以写成沿mode-n展开的形式
Y X n U Y(n) UX( n)
◦ 性质：X m A n B X n B m A, m n
X n A n B X n BA
◦ 对于给定的成分数目，怎么求解CP分解？
目前仍然没有一个完美的解决方案 从效果来看，交替最小二乘（Alternating Least Square）是 一类比较有效的算法
29

CP分解的计算
◦ 以一个三阶张量 X 为例，假定成分个数 R 已知，目标为
ˆ min X X ˆ
X
ˆ a b c λ; A, B, C s.t. X rr r r
in 1
In
◦ 性质：
X m a n b X m a n1 b X n b m a, m n
13

矩阵的Kronecker乘积
◦ A I ×J , B K ×L ，则
a11B a12 B a B a B 21 22 AB aI 1B aI 2 B
12

n-mode（向量）乘积
×I N ◦ 一个张量X I1×I2 × 和一个向量 v In 的n-mode × I n1× I n1× × IN 乘积 X n v I1× ，其元素定义为
X n v i i
1
n1in1iN
xi1i2iN vin
a1 J B a2 J B IK ×JL aIJ B
◦ 性质： A BC D AC BD
A B
+
A+ B+
14

矩阵的Kronecker乘积
◦ 矩阵的Kronecker积还和张量和矩阵的n-mode乘积有如 下关系
A
( n 1)
A
(1) T

23

张量的秩和秩分解
◦ 张量 X 的秩定义为用秩一张量之和来精确表示 X 所需要 的秩一张量的最少个数，记为 rank( X ) ◦ 秩分解：
rank( X )
X

r 1
(2) ( N) a(1) a a r r r
可见秩分解是一个特殊的CP分解，对应于矩阵的SVD ◦ 目前还没有方法能够直接求解一个任意给定张量的秩，这 被证明是一个NP-hard问题
19

CP分解的张量形式
◦ 将一个张量表示成有限个秩一张量之和，比如一个三阶张 量可以分解为
X A, B, C a r b r cr
r 1
R
X

a1
c1
b1

a2
c2
b2

aR
cR
bR
三阶张量的CP分解
20

CP分解的矩阵形式
◦ 因子矩阵：秩一张量中对应的向量组成的矩阵，如
X a1 b1 c2 a1 b2 c1 a2 b1 c1 1 1 1 Y a1 a2 b1 b2 c1 c2 a1 b1 c1
27

张量的低秩近似
a1 J b1 J a2 J b2 J I ×J aIJ bIJ
A B AT A BT B
A B A A B B
+ T T


+
A B
T
17
CP分解
18

CP分解的其他名字
彭毅
1
基本概念及记号
2

张量（tensor）
◦ 多维数组
一阶张量 （向量）
三阶张量 二阶张量 （矩阵）
3

张量空间
◦ 由若干个向量空间中的基底的外积张成的空间








向量的外积和内积
4

阶（order/ways/modes/rank）
◦ 张成所属张量空间的向量空间的个数
一阶张量（向量）： x {xi } 二阶张量（矩阵）： X {xij } 三阶或更高阶张量： X {xijk } 零阶张量（数量）： x
X a(1) a(2) a( N )
c
X
b

a
三阶秩一张量：X
abc
9

（超）对称和（超）对角
◦ 立方张量：各个mode的长度相等 ◦ 对称：一个立方张量是对称的，如果其元素在下标的任意 排列下是常数。如一个三阶立方张量是超对称的，如果
xijk xikj x jik x jki xkij xkji ,i, j , k ◦ 对角：仅当 i1 i2 iN 时，xi1i2iN 0
34

Tucker分解
◦ Tucker分解是一种高阶的主成分分析，它将一个张量表示 成一个核心（core）张量沿每一个mode乘上一个矩阵。 对于三阶张量 X I ×J ×K 来说，其Tucker分解为
X ,Y xi1i2iN yi1i2iN
i1 1 i2 1 iN 1
I1
I2
IN
（Frobenius）范数：
X
X,X
2 x i1i2iN i1 1 i2 1 iN 1
I1
I2
IN
8

秩一张量/可合张量
×I N ◦ N阶张量 X I1×I2 × 是一个秩一张量，如果它能被写 成N个向量的外积，即
r 1
R
◦ 作为ALS的一个子问题，固定 B 和 C ，求解
min X(1) Adiag( λ) C B
A
T F
得 Adiag(λ) X(1) C B X(1) C B C C B B
T
+



T
T

+
再通过归一化分别求出 A 和 λ
30

张量的（超）对角线
10

展开（matricization/unfolding/flattening） ◦ 将N阶张量 X 沿mode-n展开成一个矩阵 X( n)
X (1)

三阶张量的mode-1展开
11

n-mode（矩阵）乘积
×I N ◦ 一个张量X I1×I2 × 和一个矩阵 U J ×In 的n-mode × I n1× J× I n1× × IN 乘积 X n U I1× ，其元素定义为 I
CP分解的计算
◦ ALS算法并不能保证收敛到一个极小点，甚至不一定能收 敛到稳定点，它只能找到一个目标函数不再下降的点 ◦ 算法的初始化可以是随机的，也可以将因子矩阵初始化为 对应展开的奇异向量，如将 A 初始化为 X(1) 的前 R 个左奇 异向量
31

CP分解的应用
◦ ◦ ◦ ◦ ◦ ◦ ◦ ◦ ◦ 计量心理学 语音分析 化学计量学 独立成分分析 神经科学 数据挖掘 高维算子近似 随即偏微分方程 …………
三阶张量： X
I ×J ×K
5

纤维（fiber）
mode-1 （列） 纤维：x: jk
mode-2 （行） 纤维：xi:k
mode-3 （管） 纤维：xij:
6

切片（slice）
水平切片：Xi::
侧面切片：X: j:
正面切片：X::k ( Xk )
7

内积和范数
× IN ◦ 设 X ,Y I1×I2 × 内积：
Y X 1 A(1) N A( N ) Y( n) A X( n) A
( n) (N)
A
( A
(1) T

15

矩阵的Khatri-Rao乘积
◦ A I ×K , B J ×K ，则
A B a1 b1 a2 b2 aK bK IJ ×K
◦ 对于高阶张量，有
r 1 (1) (2) ( N) (1) (2) ( N) X λ ; A , A , , A a a a r r r r r 1 R