Mar, 2014

大数据处理的新方法：张量网络和张量分解

PDF
TL;DR本研究主要介绍了张量网络、张量分解、多元分析，低秩逼近以及大数据分析等多个方面，并讨论了其在异常检测、特征提取、分类、聚类分析、数据融合和集成、模式识别、预测建模、回归、时间序列分析和多元分析等领域中的潜在应用。
tensor networkstensor decompositionsmultiway analysislow-rank approximationsbig data analytics
发现论文，激发创造
  • 用于信号处理应用的张量分解：从双向到多向分量分析

    本文从信号处理角度提供了关于高阶张量分解的全面介绍，包括基本的 CP 和 Tucker 模型，通过多种数据处理方法提供更加灵活和自然的潜在因素；研究表明张量分解可用作现代信号处理、数据分析和机器学习应用的最有效和最有前途的工具。

    Mar, 2014

  • 大数据分析和大规模优化问题的张量网络

    本文探讨了基本的张量网络模型和相关算法，尤其是使用新的数学和图形表示的张量列车（TT）分解。通过张量化和使用量子化张量列车网络实现数据的超级压缩，对大规模数据优化问题进行了分布式表示，并通过优化迭代和近似张量缩并的方式，应用小型矩阵和张量运算来解决一系列难以用经典数值方法解决的问题，例如广义特征值分解，主成分分析 / 奇异值分解和规范相关分析。

    Jul, 2014

  • 高阶张量的多尺度分析

    介绍了一种基于混合线性建模和子空间聚类技术的自适应、多尺度张量分解方法，旨在降低大型和多模态数据的维度和表示复杂度。该方法在多个真实张量信号的维数约简和分类问题中表现良好。

    Apr, 2017

  • 张量网络的降维和大规模优化。第 2 部分：应用和未来展望

    本文介绍了张量网络及其运算的简介并侧重于介绍用于数据 / 参数的超压缩高阶表示的张量网络模型及其应用， 包括支持张量机、求广义特征值、深度神经网络等优化问题的张量分解方法，如张量列车和分层 Tuck 分解，并通过图形方法以及基于核张量的低秩张量近似来解释张量网络是如何能够在大量数据上执行分布式计算的。

    Aug, 2017

  • 张量分解及其在机器学习中的应用简介

    本文将全面介绍张量（Tensors）的概念和分解方法，并探讨它们在机器学习中的应用，特别是在无监督学习和多关系数据分析等领域的优越性，同时结合实例研究了张量估计混合模型的基本方法，并提供了相关软件类库的参考。

    Nov, 2017

  • 神经网络模型简化的张量分解：一篇综述

    该研究论文综述了六种张量分解方法及其在神经网络中的应用，说明使用这些方法可以明显地减少模型的大小，运行时间和能耗，在边缘设备上实现神经网络时效果显著。

    Apr, 2023

  • 信号处理和机器学习中的张量分解

    矩阵的高维拓展 —— 张量 (tensor) 已在信号处理、数据挖掘和机器学习等领域得到广泛应用，本文旨在为那些想要了解和深入研究张量的研究人员和从业人员提供起点，它包括了基础与应用，如张量秩和分解、基本的张量分解模型及其关系和性质、性能分析、以及一系列的应用。

    Jul, 2016

  • 使用可扩展的流式张量分解对多方面图进行建模和挖掘

    基于张量的方法可以对从社交网络到健康数据和电影观看模式等各种领域中涌现出的大规模、多层面、动态的图数据进行挖掘，包括发现静态和动态图数据中的凝聚社区和模式。

    Oct, 2022

  • 多词典张量分解

    我们提出了一种多字典张量分解（MDTD）框架，利用编码字典中关于张量模式的先验结构信息来获得稀疏编码的张量因子。通过实验证明，MDTD 相比无字典方法学习到更简洁的模型，且在重构质量、缺失值插补质量和张量秩的估计等方面均具有明显的改进，而且不会增加运行时间。

    Sep, 2023

  • 机器学习中的张量网络

    这篇论文介绍了张量网络及其在机器学习中的应用，张量网络通过分解大规模数据矩阵来实现数据的近似表达与计算的降维，是一种常用的数据处理技术。

    Jul, 2022