A new stochastic optimization algorithm to decompose large nonnegative tensors
- Others:
- Laboratoire des Sciences de l'Information et des Systèmes (LSIS) ; Aix Marseille Université (AMU)-Université de Toulon (UTLN)-Arts et Métiers Paristech ENSAM Aix-en-Provence-Centre National de la Recherche Scientifique (CNRS)
- Institut de Mathématiques de Marseille (I2M) ; Aix Marseille Université (AMU)-École Centrale de Marseille (ECM)-Centre National de la Recherche Scientifique (CNRS)
- TO Simulate and CAlibrate stochastic models (TOSCA) ; Inria Sophia Antipolis - Méditerranée (CRISAM) ; Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut Élie Cartan de Lorraine (IECL) ; Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)
- Laboratoire d'Informatique et Systèmes (LIS) ; Aix Marseille Université (AMU)-Université de Toulon (UTLN)-Centre National de la Recherche Scientifique (CNRS)
- Signal et Image (SIIM) ; Laboratoire d'Informatique et Systèmes (LIS) ; Aix Marseille Université (AMU)-Université de Toulon (UTLN)-Centre National de la Recherche Scientifique (CNRS)-Aix Marseille Université (AMU)-Université de Toulon (UTLN)-Centre National de la Recherche Scientifique (CNRS)
- Université de Toulon - École d'ingénieurs SeaTech (UTLN SeaTech) ; Université de Toulon (UTLN)
Description
In this letter, the problem of nonnegative tensor decompositions is addressed. Classically, this problem is carried out using iterative (either alternating or global) deterministic optimization algorithms. Here, a rather different stochastic approach is suggested. In addition, the ever-increasing volume of data requires the development of new and more efficient approaches to be able to process " Big data " tensors to extract relevant information. The stochastic algorithm outlined here comes within this framework. Both flexible and easy to implement, it is designed to solve the problem of the CP (Candecomp/Parafac) decomposition of huge nonnegative 3-way tensors while simultaneously enabling to handle possible missing data.
Abstract
International audience
Additional details
- URL
- https://hal.science/hal-01146443
- URN
- urn:oai:HAL:hal-01146443v1
- Origin repository
- UNICA