View source for उच्च-क्रम एकवचन मूल्य अपघटन

{{Short description|Tensor decomposition}}
[[बहुरेखीय बीजगणित]] में, टेंसर का '''उच्च-क्रम सिंगुलर मूल्य अपघटन''' (एचओएसवीडी) एक विशेष निर्देशीय टकर विघटन है। इसे एक प्रकार के  आव्यूह सिंगुलर मूल्य विघटन के सामान्यीकरण के रूप में भी देखा जा सकता है। यह कंप्यूटर विजन, कंप्यूटर आरेख, [[ यंत्र अधिगम |यंत्र अधिगम]], [[वैज्ञानिक कंप्यूटिंग]], और [[ संकेत आगे बढ़ाना |संकेत]] प्रसंस्करण में अनुप्रयोगों के साथ उपयोग होता है।

कुछ पहलुओं का पता 1928 में एफ. एल. हिचकॉक से लगाया जा सकता है,<ref name=":0">{{Cite journal|last=Hitchcock|first=Frank L|date=1928-04-01|title=एम-वे ऐरे या टेन्सर के एकाधिक अपरिवर्तनीय और सामान्यीकृत रैंक|journal=Journal of Mathematics and Physics|language=en|volume=7|issue=1–4|pages=39–79|doi=10.1002/sapm19287139|issn=1467-9590}}</ref> परंतु यह एल. आर. टकर ही थे जिन्होंने 1960 के दशक में तीसरे क्रम के टेंसरों के लिए सामान्य टकर अपघटन विकसित किया था,<ref name=":1">{{Cite journal|last=Tucker|first=Ledyard R.|date=1966-09-01|title=तीन-मोड कारक विश्लेषण पर कुछ गणितीय नोट्स|journal=Psychometrika|language=en|volume=31|issue=3|pages=279–311|doi=10.1007/bf02289464|pmid=5221127|s2cid=44301099|issn=0033-3123}}</ref><ref name="Tucker1963">{{Cite journal|last=Tucker|first=L. R.|date=1963|title=परिवर्तन की माप के लिए तीन-तरफा मैट्रिक्स के कारक विश्लेषण के निहितार्थ|journal=In C. W. Harris (Ed.), Problems in Measuring Change. Madison, Wis.: Univ. Wis. Press.|pages=122–137}}</ref><ref name="Tucker1964">{{Cite journal|last=Tucker|first=L. R.|date=1964|title=त्रि-आयामी मैट्रिक्स तक कारक विश्लेषण का विस्तार|journal=In N. Frederiksen and H. Gulliksen (Eds.), Contributions to Mathematical Psychology. New York: Holt, Rinehart and Winston|pages=109–127}}</ref> आगे लिवेन डी लाथौवर एल द्वारा वकालत की गई। डी लाथौवर एट अल।<ref name=":2">{{Cite journal|last1=De Lathauwer|first1=L.|last2=De Moor|first2=B.|last3=Vandewalle|first3=J.|date=2000-01-01|title=एक बहुरेखीय एकवचन मूल्य अपघटन|journal=SIAM Journal on Matrix Analysis and Applications|volume=21|issue=4|pages=1253–1278|doi=10.1137/s0895479896305696|issn=0895-4798|citeseerx=10.1.1.102.9135}}</ref> उनके मल्टीलिनियर एसवीडी कार्य में जो पावर विधि को नियोजित करता है, या वासिलेस्कु और टेरज़ोपोलोस द्वारा समर्थित है जिसने एम-मोड एसवीडी को एक समानांतर कलन विधि विकसित किया है जो आव्यूह एसवीडी को नियोजित करता है।

उच्च क्रम सिंगुलर मूल्य अपघटन एचओएसवीडी शब्द डेलाथौवर के नाम से निर्मित किया गया था, परंतु साहित्य में सामान्यतः एचओएसवीडी के रूप में संदर्भित कलन विधि और टकर या डेलाथौवर को स्पष्टीकरणीय ठहराया गया था, जिसे वासिलेस्कु और टेरज़ोपोलोस द्वारा विकसित किया गया था।<ref name=":Vasilescu2002">M. A. O. Vasilescu, D. Terzopoulos (2002) with the name M-mode SVD.  The M-mode SVD is suitable for parallel computation and employs the matrix SVD  [http://www.cs.toronto.edu/~maov/tensorfaces/Springer%20ECCV%202002_files/eccv02proceeding_23500447.pdf "Multilinear Analysis of Image Ensembles: TensorFaces"],  Proc. 7th European Conference on Computer Vision (ECCV'02), Copenhagen, Denmark, May, 2002</ref><ref name="Vasilescu2003">M. A. O. Vasilescu, D. Terzopoulos (2003) [http://www.cs.toronto.edu/~maov/tensorfaces/cvpr03.pdf "Multilinear Subspace Analysis of Image Ensembles"], "Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR’03), Madison, WI, June, 2003"</ref><ref name=":Vasilescu2005">M. A. O. Vasilescu, D. Terzopoulos (2005) [http://www.media.mit.edu/~maov/mica/mica05.pdf "Multilinear Independent Component Analysis"], "Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR’05), San Diego, CA, June 2005, vol.1, 547–553."</ref> के प्रतिस्थानीय और L1-नॉर्म-आधारित विभिन्न प्रकार भी प्रस्तावित किए गए हैं।<ref name="robustHOSVD">{{Cite journal|last1=Godfarb|first1=Donald|last2=Zhiwei|first2=Qin|title=Robust low-rank tensor recovery: Models and algorithms|
  journal=SIAM Journal on Matrix Analysis and Applications|volume=35|number=1|pages=225–253|date=2014|doi=10.1137/130905010|arxiv=1311.6182|s2cid=1051205}}</ref><ref name="l1tucker">{{cite journal|last1=Chachlakis|first1=Dimitris G.|last2=Prater-Bennette|first2=Ashley|last3=Markopoulos|first3=Panos P.|title=L1-मानदंड टकर टेंसर अपघटन|journal=IEEE Access|date=22 November 2019|volume=7|pages=178454–178465|doi=10.1109/ACCESS.2019.2955134|doi-access=free}}</ref><ref name="l1tucker3">{{cite journal|last1=Markopoulos|first1=Panos P.|last2=Chachlakis|first2=Dimitris G.|last3=Papalexakis|first3=Evangelos|title=The Exact Solution to Rank-1 L1-Norm TUCKER2 Decomposition|journal=IEEE Signal Processing Letters|volume=25|issue=4|date=April 2018|pages=511–515|doi=10.1109/LSP.2018.2790901|arxiv=1710.11306|bibcode=2018ISPL...25..511M|s2cid=3693326}}</ref><ref name="l1tucker2">{{cite book|last1=Markopoulos|first1=Panos P.|last2=Chachlakis|first2=Dimitris G.|last3=Prater-Bennette|first3=Ashley|title=2018 IEEE Global Conference on Signal and Information Processing (GlobalSIP) |chapter=L1-Norm Higher-Order Singular-Value Decomposition |date=21 February 2019|pages=1353–1357|doi=10.1109/GlobalSIP.2018.8646385|isbn=978-1-7281-1295-4|s2cid=67874182}}</ref>

 
== परिभाषा ==
इस लेख के उद्देश्य के लिए, यह संक्षेपण टेंसर <math>\mathcal{A}</math> को मान लिया जाता है कि इसे कुछ बेसिस के संदर्भ में निर्धारित नियोजित समय के साथ दिया गया है, जिसे एक [[टेंसर#के रूप में बहुमितिविधी ऍरे|M-वे सरणी]] भी कहा जाता है, जिसे <math>\mathcal{A}\in\mathbb{C}^{I_1 \times I_2 \cdots \times \cdots I_m \cdots\times I_M}</math> द्वारा भी दर्शाया जा सकता है, जहां ''M'' मोड्स और टेंसर का आदेश है। <math>\mathbb{C}</math> वास्तविक संख्याएँ <math>\mathbb{R}</math> और शुद्ध काल्पनिक संख्याएँ दोनों को सम्मिलित करता है।

यदि <math>\mathcal{A}</math> का [[टेंसर रीशेपिंग|मानक मोड-''m'' फ्लैटेनिंग]] <math>\mathcal{A}_{[m]}</math> का बेसिस सम्मिलित होता है, जिसमें विशिष्ट बेसिस का एक इकाई आव्यूह <math>{\bf U}m \in \mathbb{C}^{I_m \times R_m}</math> होता है, जिसमें विद्यमान <math>\mathcal{A}{[m]}</math> के बगल दिए गए विशिष्ट मोड स्थानिक गुणधर्म के आधार वक्र <math>\mathbf{u}_j</math> के लिए ज्ञात होता है, जहां 'j' विशेष सबसे बड़े गुणधर्म के विशिष्ट स्तंभ <math>{\bf u}_j</math> से मेल खाता है। ध्यान दें कि '''मोड/फैक्टर आव्यूह''' <math>{\bf U}_m</math> विशेष मोड 'm' फ्लैटेनिंग के विशिष्ट परिभाषा पर नहीं निर्भर करती है। [[बहुरेखीय गुणन]] के गुणों से, हमारे पास है<math display="block">\begin{array}{rcl}
\mathcal{A} 
&=& \mathcal{A}\times ({\bf I}, {\bf I}, \ldots, {\bf I})  \\
&=& \mathcal{A} \times ({\bf U}_1 {\bf U}_1^H, {\bf U}_2 {\bf U}_2^H, \ldots, {\bf U}_M {\bf U}_M^H) \\
&=&  \left(\mathcal{A} \times ({\bf U}_1^H, {\bf U}_2^H, \ldots, {\bf U}_M^H) \right) \times ({\bf U}_1, {\bf U}_2, \ldots, {\bf U}_M),
\end{array}</math>कहाँ <math>\cdot^H</math> संयुग्म स्थानान्तरण को दर्शाता है। दूसरी समानता इसलिए है क्योंकि <math>{\bf U}_m</math>'एकात्मक आव्यूह हैं। अब कोर टेंसर को परिभाषित करें<math display="block">\mathcal{S} := \mathcal{A} \times ({\bf U}_1^H, {\bf U}_2^H, \ldots, {\bf U}_M^H).</math>पुनः, एचओएसवीडी<ref name=":2" />का विघटन <math>\mathcal{A}</math>  है<math display="block">\mathcal{A} = \mathcal{S}\times ({\bf U}_1, {\bf U}_2, \ldots, {\bf U}_M).</math> उपरोक्त निर्माण से पता चलता है कि प्रत्येक टेंसर में एक एचओएसवीडी होता है।
== कॉम्पैक्ट एचओएसवीडी ==
जैसा कि एक आव्यूह के कॉम्पैक्ट सिंगुलर मूल्य अपघटन के स्थितियों में, एक कॉम्पैक्ट एचओएसवीडी पर विचार करना भी संभव है, जो अनुप्रयोगों में बहुत उपयोगी है।

मान लीजिए कि <math>{\bf U}m\in \mathbb{C}^{I_m\times R_m}</math> एक आव्यूह है जिसके स्तंभ इकाईवार होते हैं और जो मानक फैक्टर-m फ्लैटेनिंग <math>\mathcal{A}{[m]}</math> के गैर-शून्य गुणधर्म के लिए एक बेसिस सम्मिलित करते हैं। यहां <math>r_m</math> विशिष्ट स्तंभ <math>{\bf u}{r_m}</math> को अभिलिखित किया जाए, जो मानक फैक्टर-m फ्लैटेनिंग <math>\mathcal{A}{[m]}</math> के <math>r_m</math>वें सबसे बड़े गैर-शून्य गुणधर्म से मिलता है। <math>{\bf U}m</math> के स्तंभ फैक्टर-m फ्लैटेनिंग <math>\mathcal{A}{[m]}</math> के छवि के लिए एक बेसिस बनाते हैं, इससे हमें निम्नलिखित सम्बन्ध मिलता है:<math display="block">\mathcal{A}_{[m]} = {\bf U}_m {\bf U}_m^H \mathcal{A}_{[m]} = \bigl( \mathcal{A} \times_m ({\bf U}_m {\bf U}_m^H)  \bigr)_{[m]},</math>जहां पहली समानता [[प्रक्षेपण (रैखिक बीजगणित)|प्रक्षेपण]] के गुणों के कारण है और अंतिम समानता बहुरेखीय गुणन के गुणों के कारण है। चूँकि फ़्लैटनिंग विशेषणात्मक मानचित्र हैं और उपरोक्त सूत्र सभी के लिए मान्य है <math>m=1,2,\ldots,m,\ldots,M</math>, हम उससे पहले जैसा पाते हैं<math display="block">\begin{array}{rcl}
\mathcal{A} 
&=&  \mathcal{A} \times ({\bf U}_1 {\bf U}_1^H, {\bf U}_2 {\bf U}_2^H, \ldots, {\bf U}_M {\bf U}_M^H)\\
&=& \left(\mathcal{A} \times  ({\bf U}_1^H, {\bf U}_2^H, \ldots, {\bf U}_M^H)\right) \times ({\bf U}_1, {\bf U}_2, \ldots, {\bf U}_M) \\
&=&  \mathcal{S} \times ({\bf U}_1, {\bf U}_2, \ldots, {\bf U}_M),
\end{array}</math>जहां कोर टेंसर <math>\mathcal{S}</math> अब  <math>R_1 \times R_2 \times \cdots \times R_M</math>आकार का है

== मल्टिलिनियर रैंक ==
टेंसर <math>\mathcal{A}</math> का '''मल्टिलिनियर रैंक'''<ref name=":0" /> रैंक-<math>(R_1, R_2, \ldots, R_M) </math> के रूप में दर्शाया जाता है। मल्टिलिनियर रैंक एक <math>\mathbb{N}^M</math> में एक ट्यूपल है, जहां <math>R_m := \mathrm{rank}( \mathcal{A}{[m]} )</math> है। सभी ट्यूपल <math>\mathbb{N}^M</math> में मल्टिलिनियर रैंक नहीं होते हैं।<ref name=":3">{{Cite journal|last1=Carlini|first1=Enrico|last2=Kleppe|first2=Johannes|title=Ranks derived from multilinear maps|journal=Journal of Pure and Applied Algebra|volume=215|issue=8|pages=1999–2004|doi=10.1016/j.jpaa.2010.11.010|year=2011|doi-access=free}}</ref> मल्टिलिनियर रैंक <math>1 \le R_m \le I_m</math> द्वारा सीमित होते हैं और यह शर्त <math display="inline">R_m \le \prod{i \ne m} R_i</math> को पूरा करते हैं।<ref name=":3" />

कॉम्पैक्ट एचओएसवीडी उस संदर्भ में एक रैंक-प्रकटक विघटन है जिसमें इसके कोर टेंसर के आयाम टेंसर के मल्टिलिनियर रैंक के अंशों के साथ मेल खाते हैं।












== व्याख्या ==
निम्नलिखित ज्यामितीय व्याख्या पूर्ण और कॉम्पैक्ट एचओएसवीडी दोनों के लिए मान्य है। यदि <math>(R_1, R_2, \ldots, R_M)</math> टेंसर की मल्टिलिनियर रैंक <math>\mathcal{A}</math> बनें तब यह <math>\mathcal{S} \in {\mathbb C}^{R_1 \times R_2 \times \cdots \times R_M}</math> एक बहुआयामी सरणी है, हम इसे निम्नानुसार विस्तारित कर सकते हैं<math display="block">\mathcal{S} = \sum_{r_1=1}^{R_1} \sum_{r_2=1}^{R_2} \cdots \sum_{r_M=1}^{R_M} s_{r_1,r_2,\ldots,r_M} \mathbf{e}_{r_1} \otimes \mathbf{e}_{r_2} \otimes \cdots \otimes \mathbf{e}_{r_M},</math>यहाँ <math>\mathbf{e}_{r_m}</math> वह <math>r_m</math>का  <math>{\mathbb C}^{I_m}</math>वां मानक आधार वेक्टर है।. मल्टिलिनियर गुणन की परिभाषा के अनुसार, यह सत्य होता है कि:<math display="block">\mathcal{A} = \sum_{r_1=1}^{R_1} \sum_{r_2=1}^{R_2} \cdots \sum_{r_M=1}^{R_M} s_{r_1,r_2,\ldots,r_M} 
\mathbf{u}_{r_1} \otimes \mathbf{u}_{r_2} \otimes \cdots \otimes \mathbf{u}_{r_M},</math>,यहाँ <math>\mathbf{u}{r_m}</math> वे स्तंभ हैं जो <math>{\bf U}m \in {\mathbb C}^{I_m \times R_m}</math> के हैं। आसानी से सत्यापित किया जा सकता है कि <math>B = { \mathbf{u}{r_1} \otimes \mathbf{u}{r_2} \otimes \cdots \otimes \mathbf{u}{r_M} }{r_1,r_2,\ldots,r_M}</math> एक अधार निर्धारित टेंसरों का एक अधार निर्धारित समूह है। इसका मतलब है कि एचओएसवीडी टेंसर <math>\mathcal{A}</math> को एक विशेष चुने गए अधार निर्धारित अधार <math>B</math> के संदर्भ में व्यक्त करने का एक विधि है, जिसमें गुणकों को मल्टिलिनियर सारणी <math>\mathcal{S}</math> के रूप में दिया जाता है।
== गणना ==

एक टेंसर <math>\mathcal{A} \in {\mathbb C}^{I_1 \times I_2 \times \cdots \times I_M}</math> है, जिसमें रैंक-<math>(R_1, R_2, \ldots, R_M)</math> है, जहां <math>\mathbb C</math> में वास्तविक संख्याएँ <math>\mathbb{R}</math> को एक उपसमूह के रूप में सम्मिलित हैं।

=== पारंपरिक गणना ===
मल्टिलिनियर एसडब्ल्यूडी और M-मोड एसडब्ल्यूडी  की गणना के लिए 1960 के दशक में [[L. R. Tucker|एल. आर. टकर]] ने प्रस्तुत किया था,<ref name="Tucker1963" /> जो बाद में [[Lieven De Lathauwer|एल डी लाथौवर]] आदि ने समर्थित किया,<ref name=":2" /> और वासिलेस्कु और टेरज़ोपुलस ने भी समर्थित किया।<ref name=":Vasilescu2005" /><ref name=":Vasilescu2002" /> टर्म एचओएसडब्ल्यूडी  को लिवेन डी लाथौवर ने बनाया था, लेकिन सामान्यतः साहित्य में एचओएसडब्ल्यूडी  के लिए उपयोग किया जाने वाला कलन विधि वासिलेस्कु और टेरज़ोपोलोस ने प्रस्तुत किया था,<ref name=":Vasilescu2002"/><ref name=":Vasilescu2005" /> जिसे M-मोड एसडब्ल्यूडी के नाम से भी जाना जाता है। यह एक पैरलेल गणना है जो मैट्रिक्स एसडब्ल्यूडी का उपयोग करती है जिससे अधार-उपसर्गी मोड आव्यूहो की गणना की जा सके।

==== एम-मोड एसवीडी:<ref name=":Vasilescu2002"/><ref name=":Vasilescu2005"/>====

मोड-''m'' फ्लैटेनिंग <math>\mathcal{A}_{[m]}</math> का निर्माण करें। सिंगुलर मूल्य विघटन <math>\mathcal{A}_{[m]} = {\bf U}_m {\bf \Sigma}_m {\bf V}^T_m </math> की गणना करें, और बाएँ सिंगुलर वेक्टर <math>{\bf U} \in \mathbb{C}^{I_m \times R_m}</math> को स्टोर करें।

इसके बाद मल्टिलिनियर गुणन के द्वारा मध्य टेंसर <math>\mathcal{S}</math> की गणना करें: <math> \mathcal{S} = \mathcal{A}\times_0 {\bf U}_0^H \times_1 {\bf U}_1^H \times_2 {\bf U}_2^H \ldots \times_m {\bf U}_m^H \ldots \times_M {\bf U}_M^H</math>












=== इंटरलेसिंग गणना ===
जब कुछ या सभी <math>r_k \ll n_k </math> हों, तो एक रणनीति जिसमें मध्य टेंसर और कारक आव्यूह की गणना को निम्नानुसार सम्मिलित किया गया है,जो निम्नलिखित रूप से होता है<ref name=":4">{{Cite journal|last1=Vannieuwenhoven|first1=N.|last2=Vandebril|first2=R.|last3=Meerbergen|first3=K.|date=2012-01-01|title=उच्च-क्रम एकवचन मूल्य अपघटन के लिए एक नई ट्रंकेशन रणनीति|journal=SIAM Journal on Scientific Computing|volume=34|issue=2|pages=A1027–A1052|doi=10.1137/110836067|bibcode=2012SJSC...34A1027V |s2cid=15318433 |issn=1064-8275|url=https://lirias.kuleuven.be/handle/123456789/337210}}</ref><ref name=":5">{{Cite book|title=Tensor Spaces and Numerical Tensor Calculus {{!}} SpringerLink|volume = 42|last=Hackbusch|first=Wolfgang|language=en-gb|doi=10.1007/978-3-642-28027-6|series = Springer Series in Computational Mathematics|year = 2012|isbn = 978-3-642-28026-9| s2cid=117253621 }}</ref><ref name=":fist_hosvd">{{Cite conference|last1=Cobb|first1=Benjamin|last2=Kolla|first2=Hemanth|last3=Phipps|first3=Eric|last4=Çatalyürek|first4=Ümit V.|date=2022|title=FIST-HOSVD: जगह में जुड़े हुए अनुक्रमिक रूप से उच्च क्रम वाले एकवचन मूल्य अपघटन को काट दिया गया|conference=Platform for Advanced Scientific Computing(PASC) |language=en|isbn=9781450394109|doi=10.1145/3539781.3539798|url=https://doi.org/10.1145/3539781.3539798}}</ref>

* यदि  <math>\mathcal{A}^0 = \mathcal{A}</math>;
* के लिए <math>m = 0,1,2 \ldots, M</math> निम्नलिखित कार्य करें:
*# मानक मोड-एम फ़्लैटनिंग <math>\mathcal{A}_{[m]}^{m-1}</math> का निर्माण करें ;
*# कॉम्पैक्ट सिंगुलर मूल्य विघटन की गणना करें <math>\mathcal{A}_{[m]}^{m-1} = U_m \Sigma_m V^T_m </math>, और बाएँ सिंगुलर वैक्टर <math>U_m \in F^{I_m \times R_m}</math>को संग्रहीत करें :
*# यदि <math>\mathcal{A}^m = U_m^H \times_m \mathcal{A}^{m-1} </math>, या, समकक्ष, <math>\mathcal{A}^m_{[m]} = \Sigma_m V_m^T </math>.

=== इन-प्लेस गणना ===
एचओएसवीडी की गणना फ़्यूज्ड इन-प्लेस अनुक्रमिक रूप से उच्च क्रम सिंगुलर कलन विधि के माध्यम से प्लेस में गणना कर सकते हैं जिसमें मूल टेंसर को एचओएसवीडी कोर टेंसर से ओवरराइट किया जाता है, जिससे एचओएसवीडी की गणना में मेमोरी का उपयोग बहुत कम हो जाता है।












==अनुमान ==

एप्लिकेशन में, निम्नलिखित जैसे कई समस्याएं होती हैं, जिनमें एक दिए गए टेंसर <math>\mathcal{A} \in \mathbb{C}^{I_1 \times I_2 \times \cdots \times I_m \cdots \times I_M} </math> को एक कम मल्टिलिनियर रैंक वाले टेंसर से अनुमानित करने की सामान्य समस्या होती है। यथार्थरूप से, यदि <math>\mathcal{A} </math> का मल्टिलिनियर रैंक <math>\mathrm{rank-}(R_1,R_2,\ldots,R_m,\ldots,R_M) </math> द्वारा दर्शाया जाता है, तो एक दिए गए घटित <math>\mathrm{rank-}(\bar R_1,\bar R_2,\ldots,\bar R_m,\ldots,\bar R_M) </math> के लिए <math>\mathcal{A} </math> को अनुमानित करने के लिए सबसे अच्छा <math>\mathcal{\bar A} </math> गणना एक गैर-समतल गैर-विसंक्लिष <math>\ell_2 </math>-अनुकूलन समस्या होती है।
<math display="block"> \min_{\mathcal{\bar A}\in \mathbb{C}^{I_1 \times I_2 \times \cdots \times I_M}} \frac{1}{2} | \mathcal{A} - \mathcal{\bar A} |_F^2
\quad\text{s.t.}\quad \mathrm{rank-}(\bar R_1, \bar R_2, \ldots, \bar R_M), </math>
जहां <math>(\bar R_1, \bar R_2, \ldots, \bar R_M) \in \mathbb{N}^M </math> कम मल्टिलिनियर रैंक है जिसमें <math>1 \le \bar R_m < R_m \le I_m </math> है, और नॉर्म <math>|.|_F</math> [[फ्रोबेनियस नॉर्म]] है।

इस अनुकूलन समस्या को हल करने का प्रयास करने का एक सरल विचार पारंपरिक या इंटरलेस्ड गणना के चरण 2 में एसवीडी को छोटा करना है। पारंपरिक गणना में चरण 2 को प्रतिस्थापित करके एक पारंपरिक रूप से ट्रंकेशन किया दिया गया एचओएसवीडी प्राप्त किया जाता है
* संख्या <math>\bar R_m </math> के लिए एक संक्षेपित SVD <math>\mathcal{A}_{[m]} \approx U_m \Sigma_m V^T_m </math> गणना करें, और शीघ्र चलनेवाले <math>\bar R_m </math> बाएँ सिंगुलर वेक्टर <math>U_m \in F^{I_m \times \bar R_m}</math> को संग्रहीत करें; जबकि एक क्रमिक रूप से ट्रंकेशन गई एचओएसवीडी उन्हें अंतर्विष्ट गणना के स्टेप 2 में निम्नलिखित रूप से प्राप्त की जाती है:
* गणना करें <math>\bar R_m </math> के लिए एक संक्षेपित रैंक SVD <math>\mathcal{A}_{[m]}^{m-1} \approx U_m \Sigma_m V^T_m </math>, और ऊपरी <math>\bar R_m </math> बाएँ सिंगुलर वेक्टर <math>U_m \in F^{I_m \times \bar R_m}</math> को संग्रहीत करें। सामान्यतः, ट्रंकेशन का परिणाम एक सर्वोत्तम समान्तरिक रैंक अनुकूलन समस्या के लिए एक आदर्श समाधान नहीं होता है। यद्यपि, परंपरिक रूप से और अंतर्विष्ट किए गए कटाई गई एचओएसवीडी दोनों ही '''क्वासी-आदर्श''' समाधान प्रदान करते हैं:<ref name=":4" /><ref name=":fist_hosvd" /><ref name="Vasilescu2003" /><ref name=":5" /><ref>{{Cite journal|last=Grasedyck|first=L.|date=2010-01-01|title=Hierarchical Singular Value Decomposition of Tensors|journal=SIAM Journal on Matrix Analysis and Applications|volume=31|issue=4|pages=2029–2054|doi=10.1137/090764189|issn=0895-4798|citeseerx=10.1.1.660.8333}}</ref> यदि <math>\mathcal{\bar A}_t </math> को पारंपरिक या क्रमिक रूप से ट्रंकेशन की गई एचओएसवीडी और <math>\mathcal{\bar A}^* </math> को सर्वोत्तम समान्तरिक रैंक अनुकूलन समस्या के लिए आदर्श समाधान दिखाता है, तो<math display="block">| \mathcal{A} - \mathcal{\bar A}_t |_F \le \sqrt{M} | \mathcal{A} - \mathcal{\bar A}^* |_F; </math>व्यावहारिक रूप से इसका अर्थ है कि यदि एक छोटी त्रुटि वाले आदर्श समाधान है, तो बहुत सारे उद्देश्यों के लिए ट्रंकेशन गई एचओएसवीडी भी एक पर्याप्त अच्छा समाधान देगी।












== अनुप्रयोग ==
एचओएसवीडी का सबसे सामान्य रूप से उपयोग बहुदिशीय सारणी से संबंधित महत्वपूर्ण जानकारी को निकालने में किया जाता है।

2000 के प्रारंभिक दशक से प्रारंभ करके, वासिलेस्कू ने कारण संबंधी प्रश्नों का समाधान करने के लिए डेटा विश्लेषण, पहचान और संश्लेषण समस्याओं को बहुदिशीय टेंसर समस्याओं के रूप में फिर से तैयार किया। गति पहचान के लिए ह्यूमन मोशन सिग्नेचर के संदर्भ में, डेटा निर्माण के कारण कारकों के संदर्भ में एक छवि को विघटित और प्रस्तुत करके टेंसर ढांचे की शक्ति का प्रदर्शन किया गया था।<ref name="Vasilescu2002b2">M. A. O. Vasilescu (2002) [http://www.media.mit.edu/~maov/motionsignatures/hms_icpr02_corrected.pdf "Human Motion Signatures: Analysis, Synthesis, Recognition," Proceedings of International Conference on Pattern Recognition (ICPR 2002), Vol. 3, Quebec City, Canada, Aug, 2002, 456–460.]</ref>  जैसे, चेहरे की पहचान—[[TensorFaces|टेंसरफेसेस]]<ref name="Vasilescu20032">M.A.O. Vasilescu, D. Terzopoulos (2003) [http://www.media.mit.edu/~maov/tensorfaces/cvpr03.pdf "Multilinear Subspace Analysis for Image Ensembles,'' M. A. O. Vasilescu, D. Terzopoulos, Proc. Computer Vision and Pattern Recognition Conf. (CVPR '03), Vol.2, Madison, WI, June, 2003, 93–99.'']</ref><ref name="Vasilescu2002a2">M.A.O. Vasilescu, D. Terzopoulos (2002) [http://www.media.mit.edu/~maov/tensorfaces/eccv02_corrected.pdf "Multilinear Analysis of Image Ensembles: TensorFaces," Proc. 7th European Conference on Computer Vision (ECCV'02), Copenhagen, Denmark, May, 2002, in Computer Vision -- ECCV 2002, Lecture Notes in Computer Science, Vol. 2350, A. Heyden et al. (Eds.), Springer-Verlag, Berlin, 2002, 447–460.]</ref> और कंप्यूटर ग्राफ़िक्स—टेंसर टेक्सचर।<ref name="Vasilescu20042">M.A.O. Vasilescu, D. Terzopoulos (2004) [http://www.media.mit.edu/~maov/tensortextures/Vasilescu_siggraph04.pdf "TensorTextures: Multilinear Image-Based Rendering", M. A. O. Vasilescu and D. Terzopoulos, Proc. ACM SIGGRAPH 2004 Conference Los Angeles, CA, August, 2004, in Computer Graphics Proceedings, Annual Conference Series, 2004, 336–342.]</ref>

एचओएसवीडी को सिग्नल प्रोसेसिंग और बड़े डेटा, जैसे जीनोमिक सिग्नल प्रोसेसिंग में सफलतापूर्वक लागू किया गया है।<ref>{{Cite journal|author1=L. Omberg|author2=G. H. Golub|author3=O. Alter|date=November 2007|title=विभिन्न अध्ययनों से डीएनए माइक्रोएरे डेटा के एकीकृत विश्लेषण के लिए एक टेंसर उच्च-क्रम एकवचन मूल्य अपघटन|journal=PNAS|volume=104|issue=47|pages=18371–18376|doi=10.1073/pnas.0709146104|pmc=2147680|pmid=18003902|bibcode=2007PNAS..10418371O|doi-access=free}}</ref><ref>{{Cite journal|author1=L. Omberg|author2=J. R. Meyerson|author3=K. Kobayashi|author4=L. S. Drury|author5=J. F. X. Diffley|author6=O. Alter|date=October 2009|title=यूकेरियोटिक जीन अभिव्यक्ति पर डीएनए प्रतिकृति और डीएनए प्रतिकृति मूल गतिविधि के वैश्विक प्रभाव|journal=Molecular Systems Biology|volume=5|pages=312|doi=10.1038/msb.2009.70|pmc=2779084|pmid=19888207|id=[http://www.alterlab.org/research/highlights/msb.2009.70_Highlight.pdf Highlight]}}</ref><ref>{{Cite journal|author1=C. Muralidhara|author2=A. M. Gross|author3=R. R. Gutell|author4=O. Alter|date=April 2011|title=टेंसर अपघटन राइबोसोमल आरएनए में संरचनात्मक रूपांकनों के साथ समवर्ती विकासवादी अभिसरण और विचलन और सहसंबंध को प्रकट करता है|journal=PLOS ONE|volume=6|issue=4|pages=e18768|doi=10.1371/journal.pone.0018768|pmc=3094155|pmid=21625625|id=[http://www.alterlab.org/research/highlights/pone.0018768_Highlight.pdf Highlight]|bibcode=2011PLoSO...618768M|doi-access=free}}</ref> इन अनुप्रयोगों ने उच्च-क्रम वाले जीएसवीडी को भी प्रेरित किया।<ref>{{Cite journal|author1=S. P. Ponnapalli|author2=M. A. Saunders|author3=C. F. Van Loan|author4=O. Alter|date=December 2011|title=एकाधिक जीवों से वैश्विक एमआरएनए अभिव्यक्ति की तुलना के लिए एक उच्च-क्रम सामान्यीकृत एकवचन मूल्य अपघटन|journal=PLOS ONE|volume=6|issue=12|pages=e28072|doi=10.1371/journal.pone.0028072|pmc=3245232|pmid=22216090|id=[http://www.alterlab.org/research/highlights/pone.0028072_Highlight.pdf Highlight]|bibcode=2011PLoSO...628072P|doi-access=free}}</ref> और एक टेंसर जीएसवीडी।<ref>{{Cite journal|author1=P. Sankaranarayanan|author2=T. E. Schomay|author3=K. A. Aiello|author4=O. Alter|date=April 2015|title=रोगी और प्लेटफ़ॉर्म-मिलान वाले ट्यूमर और सामान्य डीएनए कॉपी-नंबर प्रोफाइल का टेंसर जीएसवीडी ट्यूमर के क्रोमोसोम आर्म-वाइड पैटर्न को उजागर करता है-सेल परिवर्तन के लिए विशिष्ट प्लेटफ़ॉर्म-संगत परिवर्तन एन्कोडिंग और डिम्बग्रंथि के कैंसर के अस्तित्व की भविष्यवाणी करता है।|journal=PLOS ONE|volume=10|issue=4|pages=e0121396|doi=10.1371/journal.pone.0121396|pmc=4398562|pmid=25875127|id=[http://www.eurekalert.org/pub_releases/2015-04/uouh-nmi040915.php AAAS EurekAlert! Press Release] and [https://www.nae.edu/Projects/20730/wtop/134897.aspx NAE Podcast Feature]|bibcode=2015PLoSO..1021396S|doi-access=free}}</ref>[[रोग निगरानी]] में जटिल डेटा स्ट्रीम से वास्तविक समय में घटना का पता लगाने के लिए एचओएसवीडी और एसडब्ल्यूडी  का संयोजन भी लागू किया गया है।<ref>{{Cite journal|author1=Hadi Fanaee-T|author2=João Gama|date=May 2015|title=EigenEvent: An algorithm for event detection from complex data streams in Syndromic surveillance|journal=Intelligent Data Analysis|volume=19|issue=3|pages=597–616|arxiv=1406.3496|bibcode=2014arXiv1406.3496F|doi=10.3233/IDA-150734|s2cid=17966555}}</ref>

इसका उपयोग [[टेंसर उत्पाद मॉडल परिवर्तन]]-आधारित नियंत्रक डिज़ाइन में भी किया जाता है।<ref name="Baranyi042">{{cite journal|author=P. Baranyi|date=April 2004|title=एलएमआई आधारित नियंत्रक डिजाइन के एक तरीके के रूप में टीपी मॉडल परिवर्तन|journal=IEEE Transactions on Industrial Electronics|volume=51|pages=387&ndash;400|doi=10.1109/tie.2003.822037|number=2|s2cid=7957799}}</ref><ref name="compind2">{{cite journal|author1=P. Baranyi|author2=D. Tikk|author3=Y. Yam|author4=R. J. Patton|year=2003|title=विभेदक समीकरणों से लेकर संख्यात्मक परिवर्तन के माध्यम से पीडीसी नियंत्रक डिजाइन तक|journal=Computers in Industry|volume=51|issue=3|pages=281&ndash;297|doi=10.1016/s0166-3615(03)00058-7}}</ref> एचओएसवीडी की अवधारणा को [[टीपी मॉडल परिवर्तन]] के माध्यम से बरनी और m द्वारा कार्यों में ले जाया गया था।<ref name="Baranyi042" /><ref name="compind2" />

इस विस्तार से टेंसर प्रोडक्ट फंक्शन्स और लीनियर पैरामीटर वैरिंग सिस्टम मॉडलों के आधार पर एचओएसवीडी आधारित कैनोनिकल रूप की परिभाषा का उदय हुआ। इससे अवकलन परिचालन सिद्धांत आधारित नियंत्रण अनुकूलन सिद्धांत का विकास हुआ।

एचओएसवीडी को बहु-दृश्य डेटा विश्लेषण पर लागू करने का प्रस्ताव दिया गया था<ref>{{Cite journal|author1=Y-h. Taguchi|date=August 2017|title=मल्टी-व्यू डेटा प्रोसेसिंग के लिए मैट्रिक्स उत्पादों पर टेन्सर अपघटन-आधारित अप्रशिक्षित सुविधा निष्कर्षण लागू किया गया|journal=PLOS ONE|volume=12|issue=8|pages=e0183933|doi=10.1371/journal.pone.0183933|pmc=5571984|pmid=28841719|bibcode=2017PLoSO..1283933T|doi-access=free}}</ref> और जीन अभिव्यक्ति से सिलिको दवा की खोज में इसे सफलतापूर्वक लागू किया गया।<ref>{{Cite journal|author1=Y-h. Taguchi|date=October 2017|title=रोगों और ड्रगमैट्रिक्स डेटासेट के बीच जीन अभिव्यक्ति के एकीकृत विश्लेषण में टेंसर-अपघटन-आधारित अनपर्यवेक्षित फ़ीचर निष्कर्षण का उपयोग करके उम्मीदवार दवाओं की पहचान|journal=Scientific Reports|volume=7|issue=1|pages=13733|doi=10.1038/s41598-017-13003-0|pmc=5653784|pmid=29062063|bibcode=2017NatSR...713733T}}</ref>












== सुदृढ़ L1-मानक संस्करण ==
L1-टकर टकर अपघटन का L1-मानक-आधारित, सुदृढ़ सांख्यिकी संस्करण है।<ref name="l1tucker"/><ref name="l1tucker3"/>L1-एचओएसवीडी, L1-टकर के समाधान के लिए एचओएसवीडी के समान है।<ref name="l1tucker"/><ref name="l1tucker2"/>


== संदर्भ ==
<references />

{{DEFAULTSORT:Higher Order Singular Value Decomposition}}

[[Category:CS1 British English-language sources (en-gb)]]
[[Category:CS1 English-language sources (en)]]
[[Category:Created On 24/07/2023|Higher Order Singular Value Decomposition]]
[[Category:Lua-based templates|Higher Order Singular Value Decomposition]]
[[Category:Machine Translated Page|Higher Order Singular Value Decomposition]]
[[Category:Pages with script errors|Short description/doc]]
[[Category:Short description with empty Wikidata description|Higher Order Singular Value Decomposition]]
[[Category:Template documentation pages|Short description/doc]]
[[Category:Templates Vigyan Ready|Higher Order Singular Value Decomposition]]
[[Category:Templates that add a tracking category|Higher Order Singular Value Decomposition]]
[[Category:Templates that generate short descriptions|Higher Order Singular Value Decomposition]]
[[Category:Templates using TemplateData|Higher Order Singular Value Decomposition]]
[[Category:टेंसर|Higher Order Singular Value Decomposition]]
[[Category:बहुरेखीय बीजगणित|Higher Order Singular Value Decomposition]]