张量分解-Block term decomposition (BTD)
去年差不多这个时候，我在本人的博客上发表了三个关于张量分解的博客，从百度统计来看，很多人阅读了这三篇博文。今天，我再介绍一种张量分解-block term decomposition (BTD)，下面将分几个部分对BTD进行介绍。
从CP分解到BTD
在CP分解中我们将一个张量分解为 K个Rank1的成员张量的形式，写成公式即为： \begin{equation} \mathcal{T}=\sum \limits_{r = 1}^{K}a_r\circ b_r \circ c_r=\sum \limits_{r = 1}^{K} (a_rb_r^T)\circ c_r \end{equation} 显然$a_rb_r^T$是一个Rank-1的矩阵，即一个低秩矩阵。而低秩往往是一些局部的特征，比如说人的一些眉毛一般都是低秩的。而在一些应用中，我们想得到一些不同秩的特征，或者是不同尺度的特征，比如说对于人脸，我想得到鼻子，眉毛，嘴巴，脸型等特征，这个时候CP分解就无法直观地做到了。
基于CP分解，我们想，如果$a_rb_r^T$,它不是一个秩为1️的矩阵，而是一个秩为K的矩阵，那么显然$a_r$和$b_r$就不是一个向量了，而是一个秩为$L_r$的矩阵。于是就得到了BTD模型的一种形式即 \begin{equation} \mathcal{T}=\sum \limits_{r = 1}^{K}A_rB_r^T\circ c_r \end{equation}
可以将这个模型进一步进行推导即可得到BTD的通俗形式。
BTD分解概览
2008年Lieven De Lathauwer 等人提出了一种Block term decomposition（BTD），这种张量分解在一些论文中也被称为Block component decomposition (BCD)。我本人认为叫BCD 更合理一些，因为这种张量分解将一个N阶张量分解为R个成员张量的形式，BCD更符合。如下图就是一个$Rank-(L_r, M_r, N_r)$的分解，每一个成员张量是一个$Rank-(L_r, M_r, N_r)$的Tucker分解。
采用数学表达式可以写为：
\begin{equation} \mathcal{T}=\sum \limits_{r = 1}^{R} \mathcal{D_r}\times_{1} A_r \times_{2} B_r\times_{3}C_r\label{eq:tucker} \end{equation}
其中 $\mathcal{D_r}$是一个$Rank-(L_r, M_r, N_r)$的张量，$A_r\in R^{I\times L}$是一个秩为I的矩阵。显然BTD可以看出该分解可以看作是我们之前介绍的Tucker分解和CP分解的结合形式。当$R=1$的时候，显然成员张量只有一个，此时这个分解就是个$Rank-(L, M, N)$的Tucker分解。而当每一个成员张量是一个$Rank -1$分解的时候，该分解退化为一个CP分解 (CP分解是将一个张量分解为R个 秩为1的张量分解形式)。这也说明了，BTD分解具有很强的泛化能力。论文 http://epubs.siam.org/doi/pdf/10.1137/070690730 同时对它的唯一性进行了证明，从证明来看，该算法的唯一性的条件要比Tucker分解和CP分解的唯一性要弱。
BTD分解的求解
BTD分解现在的求解算法有很多，比如说非线性最小二乘法,交替最小二乘算法（ALS），张量对角算法等,其中交替最小二乘算法形式最为简单，下面我们以一个三阶张量$\mathcal{T} \in ^{I\times J \times K}$的张量为例，这种求解算法进行介绍。
定义$A=[A_1,\cdots，A_R]$，$B=[B_1,\cdots，B_R]$ $C=[C_1,\cdots，C_R]$将BTD写为矩阵的形式，可以得到如下三个表达式：
\begin{equation} T_{JK\times I}=(B\otimes C). Blockdiag（\mathcal{D}_{1_{MN\times L}}, \cdots,\mathcal{D}_{R_{MN\times L}}）A^{T} \end{equation}
\begin{equation} T_{KI\times J}=(C\otimes A). Blockdiag（\mathcal{D}_{1_{NL\times M}}, \cdots,\mathcal{D}_{R_{NL\times M}}）B^{T} \end{equation}
\begin{equation} T_{IJ\times K}=(A\otimes B). Blockdiag（\mathcal{D}_{1_{LM\times N}}, \cdots,\mathcal{D}_{R_{LM\times N}}）C^{T} \end{equation}
当更新某一个因子矩阵或者张量的时候，固定其它元素即可进行求解。如当求解$A$时，固定$\mathcal{D_r}$和$B$以及$C$，设置$M=(B\otimes C). Blockdiag（\mathcal{D}_{1_{MN\times L}}, \cdots,\mathcal{D}_{R_{MN\times L}}）$因此，我们可以得到$A$的更新规则为
\begin{equation} A=M^{\dagger}.T_{JK\times I} \end{equation}
同理可以得到其它矩阵或者张量的更新规则。因此采用ALS算法求解BTD的步骤如下：
算法中的QR分解是为了防止算法出现数值计算错误。
特殊BTD分解
在前面我们已经介绍了BTD分解的两种特殊形式：Tucker分解和CP分解。下面我们再介绍两种特殊的张量分解。
Rank-（Lr,Lr,1）分解
当每一个成员张量退化为$L_r\times L_r$的矩阵时，可以得到$Rank-（L_r,L_r,1）$分解即：
相应的求解算法和BTD算法类似，只是没有了最后一步的求解core tensor部分。
Rank-（L,L,1）分解
当$Rank-（L_r,L_r,1）$的每一个$L_r$取值为一致即$L$时候即可得到$Rank-(L,L,1)$分解即：
BTD分解的应用
BTD分解的现阶段的主要应用在盲源分离上，尤其是它的蜕化形式$Rank-(L,L,1)$形式。 在$Rank-(L,L,1)$中$c_r$可以看作是一个信号，$A_r\times B_r$可以看作是混合矩阵的低秩表达形式。本人也基于此分解在IEEE TGRS上发表了一篇题为“Matrix-Vector Nonnegative Tensor Factorization for Blind Unmixing of Hyperspectral Imagery”的文章，具体可以看 http://www.cs.zju.edu.cn/people/qianyt/paper/Matrix-Vector%20Nonnegative%20Tensor%20Factorization%20for%20Blind%20Unmixing%20of%20Hyperspectral%20Imagery.pdf。
另外，BTD分解现在也开始应用在深度学习中(事实上张量分解在深度学习中的应用最近被广泛地被研究，因为张量分解可以有效地减少深度学习中参数的个数，具体可以Google Tensor deep learning )。新加坡国立大学颜水成教授2017年发表了一篇题为Sharing Residual Units Through Collective Tensor Factorization in Deep Neural Networks 的文章，这篇文章中，用BTD分解来代替残差网路中的卷积单元（没有仔细读，等仔细读之后再详细写）
