非负张量分解新突破：正散射项让可识别性条件超越Kruskal，阈值精确到2|S|-1！
Identifiability of Nonnegative Tensor Decompositions via Positive Scattering
📖 AI 总结
该论文研究非负张量分解的可识别性问题。传统方法多依赖因子族上的线性代数条件，但作者指出，非负性本身提供了维度与独立性之外的信息：非负项无法相互抵消，其支撑集对竞争性分解构成约束。为此，作者引入“正散射项”来量化这一额外可识别性来源，并将其与Kruskal定理的Lovitz–Petrov推广所依赖的维度预算相结合。针对每个分量子集，论文给出两个充分条件：阈值2|S|−2保证极小性与非负秩，更强的2|S|−1则保证同长度非负分解的唯一性。核心结果是关于不可约交换的非负秩一张量的正分裂不等式，将维度约束与支撑集诱导的几何刚性统一起来。作者还证明散射项的模态代价仅为0、1或正无穷，从而可用图连通性精确刻画其激活状态。该准则能严格认证Kruskal与Lovitz–Petrov条件无法覆盖的稀疏非负张量分解，在矩阵情形下则分别退化为满秩分解与双边可分性。
🔑 关键词速览
| 非负张量分解 | 将张量分解为非负因子矩阵的乘积，常用于主题建模和盲源分离。 |
| 可识别性 | 指分解在何种条件下是唯一的，即除了排列和缩放外没有其他分解。 |
| 正散射项 | 本文引入的量化非负性额外可识别性信息的量，通过优化定义。 |
| Kruskal定理 | 关于张量分解唯一性的经典结果，基于因子矩阵的k-秩条件。 |
| Lovitz--Petrov条件 | Kruskal定理的推广，使用维度预算来刻画可识别性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅