该论文研究了张量网络结构搜索中的一种实际变体，称为 TN 排列搜索（TN-PS），通过提出一种元启发式算法，证明了其计数和度量特性，并降低了计算成本和模型大小。

Jun, 2022

利用大型语言模型（LLMs）在优化算法领域中的潜力，我们将它们集成到 STNWeb 中，通过生成详细的书面报告和自动生成的图表，提升用户体验，减少研究社区对该工具的采用障碍。同时，我们的方法还可以扩展到优化领域的其他工具，展示了 LLMs 在这一领域的多样性和潜力。

Feb, 2024

提出 TnALE 算法，通过局部枚举轮流更新每个结构相关变量，大大减少了目标函数的评估次数，理论上证明了 TnALE 和 TNLS 都可以达到线性收敛，比较了两算法的评估效率，结果表明 TnALE 可以比最先进算法更少地找到实用的 TN 排列和秩。

Apr, 2023

我们的研究旨在提高图模型在具有挑战性的零样本学习场景中的泛化能力，通过发展面向图结构知识的大型语言模型（LLMs），并利用图指示调整范式来与图结构知识建立联系，探索自我监督的图结构信号和任务特定的图指示，从而引导 LLMs 在理解复杂的图结构和改善在不同下游任务之间的适应性。我们的框架在监督和零样本图学习任务上进行评估，展示了优越的泛化能力，并超过了最先进的基准模型。

Oct, 2023

SVDinsTN 是一种高效的张量网络结构搜索方法，通过为每个边插入对角线因子，同时计算张量网络核和对角线因子，实现了对结构的高效评估，大幅提升了数据分析和机器学习的效率并保持了良好的代表性能。

May, 2023

最近，大型语言模型在数学和推理基准测试中取得了令人瞩目的表现。但是，它们在对人类而言相对容易的逻辑问题和谜题上仍然经常遇到困难。为了进一步研究这个问题，我们引入了一个名为 SearchBench 的新基准测试，其中包含 11 种独特的搜索问题类型，每种问题类型都配备了自动化流程来生成任意数量的实例，并分析 LLM 生成解决方案的可行性、正确性和最优性。我们发现，即使是最先进的 LLM 也无法完全以文本方式解决这些问题，例如 GPT4 只解决了 1.4% 的问题。SearchBench 的问题要求考虑到多个解决路径以及回溯，这对自回归模型构成了重大挑战。指导 LLM 生成解决问题的代码会有所帮助，但是仅有轻微的改进，例如 GPT4 的表现提升到了 11.7%。在这项工作中，我们展示了利用 A * 算法实现的上下文学习如何提高性能。当将这种优化方法与我们提出的多阶段多尝试方法相结合时，它的潜力得到了充分展现，将 GPT-4 的表现提升到了 57% 以上。

Jun, 2024

本研究通过将全连接层的矩阵替换为相应的张量列车矩阵结构以减少 GPT-2 体系结构的参数数量，并提出了一种可扩展的张量化层，以提高模型效率和最终模型的稳定性。

Jun, 2023

研究表明，通过使用大型语言模型（LLMs）结合零 - shot 上下文学习、自执行学习等方法以及自集成方法，可以提高解决旅行推销员问题（TSP）的效果。

May, 2024

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

本文提出了适用于任意网络架构的可扩展张量网络（STN），通过一种数据驱动的方法动态和自适应地调整模型大小和分解结构，从而达到更高的压缩性能和灵活性，综合实验结果表明其在参数效率方面表现优异。

May, 2022