Tensor decompositions and sparse log-linear models
张量分解与稀疏对数线性模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论分类数据的张量表示与降维，未明确经济离散选择或宏观、金融因子模型。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
张量分解与稀疏对数线性模型
- 研究问题
- 多元分类数据中，对数线性模型的稀疏性与潜在结构模型的低秩性有何联系，能否据此构造更灵活的简约模型？
- 方法与思路
- 作者研究对数线性模型支撑与概率张量非负秩的关系，提出衔接 PARAFAC 与 Tucker 的折叠 Tucker 分解，并采用贝叶斯推断。
- 材料陈述的贡献
- 摘要称建立了稀疏支撑与非负秩之间的若干结果，提出新的张量分解类别，并通过经验示例展示其优势。
- 阅读关注点
- 应核对支撑与非负秩结果的具体条件、新分解如何连接既有模型，以及贝叶斯设定、计算方法和经验比较范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；理论关系、先验和经验结果细节未说明，不能将示例优势推广为普遍性能保证。
原文摘要
Contingency table analysis routinely relies on log-linear models, with latent structure analysis providing a common alternative. Latent structure models lead to a reduced rank tensor factorization of the probability mass function for multivariate categorical data, while log-linear models achieve dimensionality reduction through sparsity. Little is known about the relationship between these notions of dimensionality reduction in the two paradigms. We derive several results relating the support of a log-linear model to nonnegative ranks of the associated probability tensor. Motivated by these findings, we propose a new collapsed Tucker class of tensor decompositions, which bridge existing PARAFAC and Tucker decompositions, providing a more flexible framework for parsimoniously characterizing multivariate categorical data. Taking a Bayesian approach to inference, we illustrate empirical advantages of the new decompositions.