May, 2024

因子增强的张量对张量神经网络

PDF
TL;DR通过提取和总结有用的预测信息（由 “因子张量” 表示）并利用张量分解模型将其输入到时间卷积神经网络中，本研究提出了一种因子增强的张量对张量神经网络（FATTNN）。该方法能够处理复杂数据结构之间的非线性关系，并在预测准确性和计算成本方面优于传统的统计模型和常规的深度学习方法。通过利用张量分解模型，提出的方法在提高预测准确性的同时，大幅度减少了数据维度从而加快了计算速度。通过模拟研究和对三个公共数据集的实际应用，验证了提出方法的实证性能，数值结果表明，与基准方法相比，提出的算法在预测准确性方面取得了显著的增加，并且计算时间显著减少。
tensor-on-tensor regressiontensor factor modelsdeep neural networksnonlinear relationshipscomputation
发现论文，激发创造
  • 张量神经网络在回归问题中的高效方法

    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

  • 神经张量分解

    本文提出了基于神经张量分解的动态关系数据预测模型，该模型利用长短时记忆网络来刻画关系数据中的多维时间交互作用，并结合多层感知器结构学习不同潜在因素之间的非线性关系，实验证明该模型在评级预测和链接预测方面性能显著优于神经网络因子分解模型和其他传统方法。

    Feb, 2018

  • 张量回归及其在神经影像数据分析中的应用

    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

  • 非参数因子轨迹学习动态张量分解

    该研究提出了一种名为 “NONFAT” 的方法，它使用高斯过程先验和稀疏变分学习算法来实现动态张量分解，以分析伴随有时间信息的多维数据，并应用于多种实际应用中。

    Jul, 2022

  • 通过张量分解发现高维人类行为数据中的隐藏结构

    应用非负张量因式分解方法在穿戴式传感器数据集 StudentLife 中，提取潜在的时间因素和相似个体群组，成功发现了表现良好的个体和常常从事休闲活动的个体，从而揭示了数据的低维结构。

    May, 2019

  • 因果深度学习：因果胶囊和张量转换器

    使用因子分析导出一组因果深度神经网络，包括神经元组成的因果胶囊和张量变换器，适用于前向和反向因果问题，以及可能的异步并行计算。

    Jan, 2023

  • 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

  • 高维分类的贝叶斯条件张量分解

    使用 Tucker 分解模型，配合贝叶斯方法与马尔可夫蒙特卡罗算法进行变量选择，取得高准确率的分类模型，使其适用于高维分类数据并解决标记互制问题。

    Jan, 2013

  • 多维时间序列预测的贝叶斯时态分解

    本文提出了一种贝叶斯时间分解（BTF）框架，用于在存在缺失值的情况下对多维时间序列进行建模，通过将低秩矩阵 / 张量分解和向量自回归 (VAR) 过程集成到一个概率图模型中，该框架可以表征大规模时间序列数据中的全局和局部一致性，并开发了有效的 Gibbs 采样算法进行模型推断和预测，在多个缺失数据和滚动预测任务上验证了该框架的显著优越性。

    Oct, 2019

  • 知识增强的张量分解在知识图谱事实预测中的应用

    本文提出了一族新的方法，将知识图谱嵌入到实值张量中，使用这些基于张量的嵌入可以更加准确地预测新事实。通过实证评估，证明了这些张量分解模型的有效性和可靠性。

    Feb, 2019