14 · Factorización CP y la vista de rango 1

Estudio a fondo 14 de Tensores para Aprendizaje Automático. La sección 11 ajustó CP y comparó su almacenamiento con el de Tucker. Este estudio a fondo hace la otra pregunta:

¿Qué es una sola componente CP y qué puedes leer en ella?

Una componente es un vector por eje: un perfil sobre su propio eje, con picos que puedes señalar. El núcleo de Tucker mezcla cada vector base con todos los demás, así que no hay componente que leer. Esa es la razón por la que se elige CP.

La ajustas a mano. El problema completo no es convexo, pero fija todos los factores menos uno y se convierte en los mínimos cuadrados de la sección 07. Eso es mínimos cuadrados alternos, y es todo el algoritmo. Después, la no negatividad y un tensor real: la demostración de Tamara Kolda con 43 neuronas × 200 instantes × 88 ensayos, grabados mientras un mono movía un cursor hacia uno de cuatro objetivos. El factor de ensayos los ordena por objetivo, una etiqueta que el método nunca vio.

En el taller de seis horas, este estudio a fondo es un laboratorio en vivo de 20 minutos: la pregunta de predicción y el Ejercicio 1, un tensor de rango 1 y su lam. Los mínimos cuadrados alternos, el CP no negativo y la etiqueta oculta son para casa.

Estudia aquí y luego ejecuta lo real: cuaderno 14 en Colab · los cuadernos · un término de rango 1, interactivo

Creado a partir del material del propio taller, de Ravi Kalia y Sebastian Laverde Chunza, CC BY 4.0.