Jul, 2016

多项式网络和因子分解机：新见解和高效训练算法

PDF
TL;DR本文从统一的视角重新审视了多项式网络和分解机模型，提出了高效训练算法，并将参数学习作为低秩对称张量估计问题进行求解。在回归和推荐系统任务中展示了我们的方法。
polynomial networksfactorization machinesunified perspectiveefficient training algorithmslow-rank symmetric tensor estimation
发现论文，激发创造
  • 多输出多项式网络与因子分解机

    本文介绍了将因子分解机和多项式网络拓展应用到多输出设置的方法，并提出了一种基于共同基础的三维张量的学习问题的凸形式，进一步提出一种高效的条件梯度算法以解决该问题，并在分类和推荐任务中通过实验验证了其良好的性能和较稀疏的模型。

    May, 2017

  • 高阶分解机

    本文介绍了一种用于训练任意阶 HOFMs 的通用且高效的算法，以及具有共享参数的新变体，这大大减少了模型大小和预测时间，同时保持了类似的准确性，并在四个不同的链接预测任务上演示了所提出的方法。

    Jul, 2016

  • 基于张量分解的多药联合副作用预测

    药物联合使用引起的不良反应是现代医学中一个日益普遍的现象，对其准确预测的挑战至关重要。尽管存在大量计算方法来解决这个问题，但由于问题的多项式特性，仅依靠实验室的方法无法满足需求。我们将三种张量分解模型应用于基准数据集，与现有技术进行比较，发现与先前的报告相反，在此任务中，张量分解模型与最先进的图神经网络模型具有竞争力，因此建议未来的研究在运行昂贵的深度学习流程之前考虑更廉价的具有线性复杂度的方法。

    Apr, 2024

  • 多项式分类器的并行张量列车学习

    该研究利用张量列车格式来表示多项式分类器，提出了两种学习算法来解决低计算复杂度的优化问题，进而演示了其在实际应用数据集上的高效性和功效。

    Dec, 2016

  • 基于神经网络的稀疏预测分析的因子分解机

    本文提出了一种用于稀疏数据预测的新型模型 Neural Factorization Machine（NFM），将因子分解机（Factorization Machines，FM）中二阶特征交互的线性性与神经网络中高阶特征交互的非线性相结合，实验证明 NFM 在深度学习方法 Wide&Deep 和 DeepCross 的基础上，使用更浅的结构却提供更好的性能，在实际中更易于训练和调节。

    Aug, 2017

  • 整数因式分解、费马和经典计算机上的机器学习

    本文介绍了一种基于深度学习的概率算法，用于整数因式分解，通过将整数因式分解问题转化为二元分类问题，基于生成大量伪随机素数的容易程度，我们生成了具有足够规模的训练数据集，介绍了算法，总结了一些实验并分析了这些实验的不足之处，最终呼吁其他人来重现、验证并改进这种方法，使其成为一种实用且可扩展的因式分解算法。

    Jul, 2023

  • TMPNN：基于 Taylor 映射分解的高阶多项式回归

    基于泰勒映射因式分解的高阶多项式回归方法实现了多目标回归，并能捕捉目标之间的内在关系。通过在 UCI 等开放数据集上进行基准测试，该方法表现与现有回归方法相当，并在特定任务上表现优异。

    Jul, 2023

  • 分布式柔性非线性张量分解

    本文提出了一种分布式、灵活的非线性张量分解模型，通过可避免昂贵的计算以及提供高质量推理的上限，它能够克服传统张量分解模型中的限制，并展现出在 CTR 预测方面的巨大潜力。

    Apr, 2016

  • 通过矩阵分解实现张量分解

    本研究提出了一种新的 CP 张量分解方法，使用了随机投影算法降低了问题难度并在模拟和真实数据集上得到了更好的表现。

    Jan, 2015

  • 基于张量网络分解的概率建模表现力研究 - 从隐马尔科夫模型到量子机器学习的应用

    该论文研究了张量网络在离散多元概率分布建模中的表达能力，并针对使用不同类型的张量带来的参数数量和效率变化进行了严格分析，发现局部纯净态表示法的表达能力优于其他表示法。

    Jul, 2019