关键词low-rank matrix factorization
搜索结果 - 12
- 基于误差反馈的低秩梯度压缩技术在 MIMO 无线联邦学习中的应用
本文提出了一种用于增强多输入多输出(MIMO)无线系统中联邦学习(FL)通信效率的新方法。该方法基于交替最小二乘算法,利用低秩矩阵分解策略对本地梯度压缩进行过空中计算和误差反馈。所提出的协议被称为空中低秩压缩(Ota-LC),在保证相同推理 - 亲吻寻找匹配:高效低秩置换表示
使用低秩矩阵分解近似表示排列矩阵,基于 Kissing number 理论推断给定大小的排列矩阵所需的最小秩,从而实现对大问题的准确表示,大大降低计算和内存成本。
- 基于梯度的随机点积图的谱嵌入
用最新的非凸优化方法解决了 Random Dot Product Graph 的嵌入问题,并展示了其在网络表示学习中的有效性。
- 无监督低秩扩散模型全色影像锐化
本文介绍了一种无监督的 Pansharpening 方法,通过结合扩散模型和低秩矩阵分解技术,将高分辨率全色(PAN)图像和低分辨率多光谱(LRMS)图像进行合并,以创建一张高分辨率多光谱(HRMS)图像。实验结果表明,该方法比传统基于模型 - EMNLP自然语言处理应用的排名和运行时感知压缩
本文提出一种称为混合矩阵分解 (Hybrid Matrix Factorization) 的压缩技术,将低秩矩阵分解技术(LMF)的矩阵秩翻倍,采用智能混合结构,提高了准确性,并且在保持密集矩阵的同时,速度优于剪枝或结构矩阵压缩技术。在 5 - AAAI局部风格表示和分解的小样本字体生成
本论文提出了一种新的字体生成方法,通过学习本地化风格,即组件式风格表示,而不是通用风格来合成复杂的文本细节,从而产生出了非常好的结果。
- ACL低秩矩阵分解在 LSTM 模型压缩中的有效性研究
本文提出了一种将低秩矩阵分解算法应用于 LSTM 网络不同递归操作的方法,探讨了在不同自然语言处理任务和模型组成部分中的有效性,并发现加性递归比乘性递归更重要。两种设置下我们进行了比较:1)压缩语言模型中核心 LSTM 递归,2)压缩在三个 - 非凸优化遇见低秩矩阵分解:概述
本文从统计模型的角度出发,系统地讨论低秩矩阵分解非凸优化的可靠解法,总结出了两种方法:1. 根据问题特征设计初始值,进行迭代求解;2. 利用全局凸性分析,无需初始值,直接求解。文章阐述了这些方法在各种场景下的应用并剖析了其理论基础。
- 推理问题中硬相的玻璃性质
研究了一种算法上难解的相位(hard phase)在推理问题中的表现,特别是在低秩矩阵分解问题的情境下,发现当信噪比低于信息熵的阈值时,后验概率由指数数量的玻璃态组成,AMP 算法的表现在处理这种玻璃态时并没有得到改善。
- 多层网络一致社区检测的谱和矩阵分解方法
本文探讨了利用基于谱聚类或低秩矩阵分解的中间融合方法,结合多层网络的信息来估计共识社区结构的问题。在高维设置下,它们可以有效地一致且精确地估计社区结构。
- 非凸矩阵分解的对称性、鞍点和全局优化景观
提出了一种用于研究具有对称结构的非凸优化景观的通用理论,基于不变群对目标函数的 Hessian 矩阵进行分析并应用于低秩矩阵分解问题,其中研究了所有驻点和全局最小值,将整个参数空间划分为三个区域,为常见迭代算法提供了强有力的全局收敛保证。
- NIPS二进制分解矩阵
研究低秩矩阵分解问题,其中一个因子具有 {0,1} 约束条件,第二个因子可以加入凸约束条件;提出一种基于近期非负矩阵分解算法的解决方案,可通过组合数学中的 Littlewood-Offord 引理,在 O (m r 2^r + mnr +