Data Mining by NonNegative Tensor Approximation

Abstract : Inferring multilinear dependences within multi-way data can be performed by tensor decompositions. Because of the presence of noise or modeling errors, the problem actually requires an approximation of lower rank. We concentrate on the case of real 3-way data arrays with nonnegative values, and propose an unconstrained algorithm resorting to an hyperspherical parameterization implemented in a novel way, and to a global line search. To illustrate the contribution, we report computer experiments allowing to detect and identify toxic molecules in a solvent with the help of fluorescent spectroscopy measurements.
Type de document :
Communication dans un congrès
IEEE. IEEE International Workshop on Machine Learning for Signal Processing, MLSP 2014, Sep 2014, Reims, France. IEEE, 2014, 〈http://mlsp2014.conwiz.dk〉
Liste complète des métadonnées

Littérature citée [16 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-01077801
Contributeur : Pierre Comon <>
Soumis le : lundi 27 octobre 2014 - 16:21:32
Dernière modification le : jeudi 11 janvier 2018 - 06:26:33
Document(s) archivé(s) le : mercredi 28 janvier 2015 - 10:36:15

Fichiers

CabrC14-MLSP.pdf
Fichiers produits par l'(les) auteur(s)

Les fichiers déposés sont bien ceux produits par les auteurs selon le style demandé par l'éditeur, et pas le fichier de l'éditeur. Le copyright et l'en-tete peuvent etre retirés si cela est imposé par HAL.

Identifiants

  • HAL Id : hal-01077801, version 1

Citation

Rodrigo Cabral Farias, Pierre Comon, Roland Redon. Data Mining by NonNegative Tensor Approximation. IEEE. IEEE International Workshop on Machine Learning for Signal Processing, MLSP 2014, Sep 2014, Reims, France. IEEE, 2014, 〈http://mlsp2014.conwiz.dk〉. 〈hal-01077801〉

Partager

Métriques

Consultations de la notice

593

Téléchargements de fichiers

126