利用最优梯度与低秩近似快速求解耦合非负张量分解

基于摘要分析。研究面向多块张量的联合分析，提出耦合非负 CANDECOMP/PARAFAC 分解算法 CoNCPD-APG，以提取不同张量之间的共享信息与个体成分；进一步引入低秩近似，形成面向大规模数据的加速算法 lraCoNCPD-APG。 核心机制是使用交替近端梯度法优化耦合非负分解，处理部分或完全关联的多个张量。摘要称该方法可同时提取公共成分、个体成分及核张量，但各类成分的具体参数化方式、耦合约束和目标函数尚未验证。低秩版本将低秩近似与 CoNCPD-APG 结合，旨在降低高维张量非负优化的计算负担。 作者报告，在合成数据、真实人脸图像数据及两类 EEG 数据上的实验支持所提算法的实用性与优势，并称低秩加速能够在不损害分解质量的情况下显著降低计算负担。摘要未提供 EEG 任务、数据集名称、被试数量、张量各维含义、对照方法、评价指标或具体数值，因此不能据此判断其对分类、解码或跨被试泛化的提升。 复现时需核对多块数据的对应关系、共享与个体成分的定义、非负表示方式、秩与低秩近似的选择，以及初始化和停止条件。尤其需要在相同分解质量标准下比较运行时间，并考察低信噪比 EEG 中低秩近似是否保留任务相关成分。实验协议、消融及统计信息尚未验证。