引入了一个名为KReTTaH的新框架，用于多路数据插补，利用张量训练和Hadamard过参数化的核回归。该方法被设计为无训练数据、可解释和非参数的。KReTTaH将插补问题重新表述为再生核希尔伯特空间内的回归问题，将张量回归系数约束在固定秩张量训练流形上，并采用Hadamard过参数化以提高效率。在功能性磁共振成像数据和动态图恢复上的数值测试表明，KReTTaH在准确性方面优于当前最先进的张量、贝叶斯和神经网络方法。 AI
影响 该框架可以提高复杂数据集中数据插补的准确性，可能使依赖完整数据进行训练和推理的AI模型受益。
排序理由 该集群包含一篇详细介绍新统计框架及其应用的论文。[lever_c_demoted from research: ic=1 ai=0.7]
- arXiv
- Auguste Hadamard
- functional magnetic resonance imaging
- Hugging Face
- KReTTaH
- Reproducing Kernel Hilbert Spaces
- Tensor-Train Decomposition
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
