当前传统非负张量隐因子分解模型尽管能够有效表征高维不完备张量，但其仍面临两个主要局限：首先，该类模型本质上是线性的，难以捕捉高维不完备张量中潜在的非线性特征；其次，模型依赖于随机初始化的非负参数以及专门设计的非负训练方案。
为解决上述问题，课题组创新性地提出了一种加速无约束非负神经张量隐因子分解（AUN-NLFT）模型。该模型的核心思想包括以下三个方面：1）引入神经网络结构与非线性的激活函数，以更精确地刻画高维不完备张量中的非线性特征；2）构建一个非负映射域，借助单元素级依赖的映射函数将非负约束从隐因子转移至输出决策参数，从而实现对模型的无约束优化；3）采用高度兼容的带动量项的随机梯度下降算法作为反向传播的学习方案，该方案不仅保证了训练过程的有效性与可扩展性，还显著提升了收敛速度。在十个高维不完备张量数据集上的实验结果表明，相较于当前各类先进模型，AUN-NLFT模型在估计精度和每轮迭代时间成本方面均展现出显著优势。
图1 加速无约束非负神经张量隐因子分解模型
研究成果以“Neural Nonnegative Latent Factorization of Tensors Model With Acceleration and Unconstraint”为题，发表于中科院一区TOP期刊、CCF B类期刊《IEEE Transactions on Systems, Man, and Cybernetics: Systems》（影响因子：8.7）。该论文以九游平台为第一单位，第一作者为九游平台（中国）2022级人工智能专硕研究生李文强，通讯作者为九游平台（中国）教师林铭炜教授。该研究工作得到国家自然科学基金项目、福建省自然科学基金杰青项目、福建省“雏鹰计划”青年拔尖人才项目的资助。
论文链接：https://ieeexplore.ieee.org/document/11220950
［计算机与网络空间安全学院（软件学院）］