Ajustar MPCA: HOSVD y después alternar

Inicializa con HOSVD: los vectores singulares izquierdos principales de los tres desplegados de los modos de características. Después actualiza un factor cada vez con los otros dos fijos, maximizando la energía total de las puntuaciones; cada actualización es una SVD matricial.

El problema conjunto no es convexo. HOSVD por sí solo no tiene por qué maximizar la energía conservada, y el refinamiento busca un punto estacionario: un presupuesto finito no garantiza ni convergencia ni un óptimo global.

Con las mismas 12 puntuaciones, el PCA sin restricciones tiene que ganar en error de reconstrucción de entrenamiento. La clasificación en prueba puede discrepar: el PCA-12 denso da alrededor de 0.788 de precisión equilibrada y el multilineal alrededor de 0.774: menos precisión por 18 veces menos almacenamiento de base.