Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Foundations of Computational Mathematics
Erschienen in: Foundations of Computational Mathematics 6/2012

01.12.2012

On Minimal Subspaces in Tensor Representations

verfasst von: Antonio Falcó, Wolfgang Hackbusch

Erschienen in: Foundations of Computational Mathematics | Ausgabe 6/2012

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper we introduce and develop the notion of minimal subspaces in the framework of algebraic and topological tensor product spaces. This mathematical structure arises in a natural way in the study of tensor representations. We use minimal subspaces to prove the existence of a best approximation, for any element in a Banach tensor space, by means of a tensor given in a typical representation format (Tucker, hierarchical, or tensor train). We show that this result holds in a tensor Banach space with a norm stronger than the injective norm and in an intersection of finitely many Banach tensor spaces satisfying some additional conditions. Examples using topological tensor products of standard Sobolev spaces are given.
Vorheriger Artikel On the Geometry and Topology of the Solution Variety for Polynomial System Solving
Nächster Artikel The Convex Geometry of Linear Inverse Problems

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Fußnoten
1
Note that the meaning of id [j] and id [k] may differ: in the second line of (2.7b), (id [k]⊗A k )∈L(V,V [k]⊗ a W k ) and (id [j]⊗A j )∈L(V [k]⊗ a W k ,V [j,k]⊗ a W j ⊗ a W k ) (cf. (2.5b)), whereas in the third one (id [j]⊗A j )∈L(V,V [j]⊗ a W j ) and (id [k]⊗A k )∈L(V [j]⊗ a W j ,V [j,k]⊗ a W k ⊗ a W j ).
 
2
Recall that an elementary tensor is a tensor of the form v 1⊗⋯⊗v d .
 
3
In (3.1a) it suffices to have the terms for n=0 and n=N. The derivatives are to be understood as weak derivatives.
 
4
We recall that the definition of \(U_{j}^{\mathrm{IV}}(\mathbf{v})\) requires the definition of a norm on V [j]. The following arguments will be based on \(U_{j}^{\mathrm{III}}(\mathbf{v})\).
 
5
Here, infinite dimensions are identified and not considered as possibly different infinite cardinalities.
 
Literatur
1.
A. Ammar, B. Mokdad, F. Chinesta, R. Keunings, A new family of solvers for some classes of multidimensional partial differential equations encountered in kinetic theory modelling of complex fluids, J. Non-Newton. Fluid Mech. 139(3), 153–176 (2006). MATHCrossRef
2.
C.J. Appellof, E.R. Davidson, Strategies for analyzing data from video fluorometric monitoring of liquid-chromatographic effluents, Anal. Chem. 53(13), 2053–2056 (1981). CrossRef
3.
G. Berkooz, P. Holmes, J.L. Lumley, The proper orthogonal decomposition in the analysis of turbulent flows, Annu. Rev. Fluid Mech. 25, 539–575 (1993). MathSciNetCrossRef
4.
5.
E. Cancès, V. Ehrlacher, T. Lelievre, Convergence of a greedy algorithm for high-dimensional convex nonlinear problems. Math. Models Methods Appl. Sci. 21, 2433–2467 (2011). MathSciNetMATHCrossRef
6.
J.D. Carroll, J.J. Chang, Analysis of individual differences in multidimensional scaling via an n-way generalization of Eckart-Young decomposition, Psychometrika 35, 283–319 (1970). MATHCrossRef
7.
V. de Silva, L.-H. Lim, Tensor rank and ill-posedness of the best low-rank approximation problem, SIAM J. Matrix Anal. Appl. 30, 1084–1127 (2008). MathSciNetCrossRef
8.
R.A. DeVore, G.G. Lorentz, Constructive Approximation (Springer, Berlin, 1993). MATH
9.
A. Doostan, G. Iaccarino, A least-squares approximation of partial differential equations with high-dimensional random inputs, J. Comput. Phys. 228(12), 4332–4345 (2009). MathSciNetMATHCrossRef
10.
11.
A. Falcó, Algorithms and numerical methods for high dimensional financial market models, Rev. Econ. Financ. 20, 51–68 (2010).
12.
W.H. Greub, Linear Algebra, 4th edn. Graduate Text in Mathematics (Springer, Berlin, 1981) MATH
13.
A. Grothendieck, Résumé de la théorie métrique des produit tensoriels topologiques, Bol. Soc. Mat. São Paulo 8, 1–79 (1953/56). MathSciNet
14.
15.
16.
F.L. Hitchcock, The expression of a tensor or a polyadic as a sum of products, J. Math. Phys. 6, 164–189 (1927). MATH
17.
R. Hübener, V. Nebendahl, W. Dür, Concatenated tensor network states, New J. Phys. 12, 025004 (2010). CrossRef
18.
19.
L. De Lathauwer, J. Vandewalle, Dimensionality reduction in higher-order signal processing and rank—(r 1,r 2,…,r n ) reduction in multilinear algebra, Linear Algebra Appl. 391, 31–55 (2004). MathSciNetMATHCrossRef
20.
W.A. Light, E.W. Cheney, Approximation Theory in Tensor Product Spaces. Lect. Notes Math., vol. 1169 (Springer, Berlin, 1985). MATH
21.
R. Meise, D. Vogt, Introduction to Functional Analysis (Clarendon, Oxford, 1997). MATH
22.
A. Nouy, A generalized spectral decomposition technique to solve a class of linear stochastic partial differential equations, Comput. Methods Appl. Mech. Eng. 96(45–48), 4521–4537 (2007). MathSciNetCrossRef
23.
A. Nouy, Proper generalized decompositions and separated representations for the numerical solution of high dimensional stochastic problems, Arch. Comput. Methods Eng. 17(4), 403–434 (2010). MathSciNetCrossRef
24.
I.V. Oseledets, E.E. Tyrtyshnikov, TT-cross approximation for multidimensional arrays, Linear Algebra Appl. 432, 70–88 (2010). MathSciNetMATHCrossRef
25.
B. Simon, Uniform crossnorms, Pac. J. Math. 46, 555–560 (1973). MATH
26.
27.
A. Uschmajew, Convex maximization problems on non-compact stiefel manifolds with application to orthogonal tensor approximations, Numer. Math. 115, 309–331 (2010). MathSciNetMATHCrossRef
28.
M.A.O. Vasilescu, D. Terzopoulos, Multilinear analysis of image ensembles: tensorfaces, in ECCV 2002: Proceedings of the 7th European Conference on Computer Vision. Lecture Notes in Comput. Sci., vol. 2350 (Springer, Berlin, 2002), pp. 447–460. CrossRef
29.
G. Vidal, Efficient classical simulation of slightly entangled quantum computations, Phys. Rev. Lett. 91, 147902 (2003). CrossRef
30.
H. Wang, N. Ahuja, Compact representation of multidimensional data using tensor rank-one decomposition, in ICPR 2004: Proceedings of the 17th International Conference on Pattern Recognition, vol. 1 (2004), pp. 44–47. CrossRef
Metadaten
Titel
On Minimal Subspaces in Tensor Representations
verfasst von
Antonio Falcó
Wolfgang Hackbusch
Publikationsdatum
01.12.2012
Verlag
Springer-Verlag
Erschienen in
Foundations of Computational Mathematics / Ausgabe 6/2012
Print ISSN: 1615-3375
Elektronische ISSN: 1615-3383
DOI
https://doi.org/10.1007/s10208-012-9136-6