张量回归
针对医学图像中的高维复杂张量变量,提出了一种基于张量回归模型的新方法,该方法在降低维度和有效估计方面表现出色,并在合成和真实 MRI 图像数据上进行了有效性展示。
Mar, 2012
本文开发了一种类型的回归模型来估计纵向和多元关系数据中成员之间的关系,该模型基于多线性张量回归模型,一种特殊情况是张量自回归模型,可以表示关系和网络数据中经常出现的模式,如互惠和传递性。
Nov, 2014
本文探讨了低秩张量回归模型和高斯过程之间的有趣联系,证明了低秩张量回归模型本质上是学习高斯过程中的多线性核,并将低秩假设转化为约束贝叶斯推断问题。我们证明了神谕不等式,并为等效高斯过程模型推导了平均情况学习曲线。我们的研究发现低秩张量回归虽然在经验上非常成功,但高度依赖协方差函数的特征值和变量相关性。
Oct, 2017
本文介绍了一种利用子采样张量投影梯度解决海量多维数据的张量回归方法,该方法基于投影梯度法和快速张量幂迭代,利用随机草图进一步加速,理论分析表明,算法能够在固定的迭代次数内收敛到正确的解,内存需求随问题的规模线性增长,并在多线性多任务学习和时空应用上表现出优越的实践性能。
Jul, 2016
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
引入张量神经网络(TNN)来处理非参数回归问题,通过其独特的子网络结构,有效地促进变量分离,从而提高复杂未知函数的近似性;与传统的前馈网络(FFN)和径向基网络(RBN)相比,TNN 在近似准确性和泛化能力方面表现优异,尽管参数规模相似;我们的方法的一个关键创新是将统计回归和数值积分集成到 TNN 框架中,从而实现了与回归函数相关的高维积分的高效计算;此进展的意义扩展到更广泛的应用领域,特别是在需要精确高维数据分析和预测的场景。
Jun, 2024
本文介绍了一种新型的神经网络,即 TRNN,它基于张量 Tucker 分解,可以直接使用张量时间序列数据作为输入,避免了使用向量化处理导致空间或纵向维度精确信息丢失的问题,具有更好的长期数据表示效果。
Aug, 2017
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
本研究通过引入张量代数操作来替代全连接层,提出了张量收缩层和张量回归层,以减少参数数量并保留激活的多线性结构,同时通过在张量收缩层和张量回归层中加入低秩约束,改进了神经网络的性能,并在 MRI 图像分析任务上取得了显著的性能提升。
Jul, 2017