通过引入离散字典分解层，我们改进了 Tensor Product Representation（TPR）框架，增强了神经网络的分解能力，提高了各种基于 TPR 的模型的系统推广能力。

Jun, 2024

使用 Tensor Product Decomposition Networks（TPDNs）来近似现有向量表示，证明 RNNs 可以通过 Tensor Product Representations（TPRs）引导序列表示。

Dec, 2018

本篇研究提出了张量插值分解（tensor ID），利用该方法可以减少规范张量分解（CTDs）的分离秩。该方法能够作为替代或作为交替最小二乘（ALS）算法的一步。同时，我们还讨论了 Q - 分解和如何使用谱范数来解决复杂的计算问题。

Jun, 2013

提出一种称为张量环表示的新型张量分解的网络结构，该结构采用低阶核张量的循环多线性乘积，通过低秩近似的方法来有效地学习张量环表示，可以在计算上更有效地执行基本操作，并且通过与现有的张量列网络相比实验结果表明，该模型更具表达能力和一致性信息。

May, 2017

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

本文介绍了一种在输入文档中识别关键信息并把它们组织成简短摘要的方法：使用增强型 Transformer 架构 TP-TRANSFORMER（Schlag et al.，2019），该架构通过引入 Tensor Product Representation（TPR）并采用双重编码来表示句法结构和语义内容。实验证明该方法能够在多个抽象摘要数据集上显著地胜过传统的 Transformer 和原始的 TP-TRANSFORMER，同时表现出更好的句法和语义解释性能。

Jun, 2021

本文提出了 HEAT 硬件感知张量分解框架，通过硬件感知的协同优化，实现了对参数冗余的降维和的自动调节，能够达到更好的能效比和精度。

Nov, 2022

本文提出一种基于张量分解的模型压缩系统，采用交替方向乘子法进行优化求解。该系统适用于卷积神经网络和循环神经网络，可大幅降低计算量和参数量，并保持较高的准确性。

Jul, 2021

本文介绍了一种基本的张量分解模型：张量环分解，它能够通过一系列低维张量核的圆形多线性乘积来代表高维张量，并能够实现循环维度置换不变性，同时与 TT 分解具有相似的广泛表示能力。文章通过四种不同的算法对潜在核的优化进行了讨论，并探究了 TR 模型的数学性质。最后，在综合数据集上的实验验证了不同算法的性能。

Jun, 2016

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。

Mar, 2014