PulseAugur
中
实时 10:54:10
English(EN) Hyperparameter Learning for Latent Factorization of Tensors for Representation Learning to Large-scale Dynamic Weighted Directed Network

新框架自动调整张量分解模型的超参数

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个使用差分进化（DE）的自动化框架来优化张量分解（LFT）模型的超参数。这种DE-LFT方法旨在减少通常用于调整LFT模型的手动工作和计算资源，LFT模型用于分析大型动态网络。通过将DE集成到LFT训练过程中，该框架自适应地搜索最优正则化参数，并在真实数据集上得到验证，从而提高了预测准确性。 AI

影响 自动化了将复杂模型应用于动态网络数据的关键步骤，可能降低了研究人员的入门门槛。

排序理由 该集群包含一篇详细介绍超参数优化新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yaqian Zhan, Jialan He, Tianzhu Chen ·

    Hyperparameter Learning for Latent Factorization of Tensors for Representation Learning to Large-scale Dynamic Weighted Directed Network

    arXiv:2606.09880v1 Announce Type: new Abstract: Large-scale dynamic weighted directed networks (DWDNs) are widely used to model time-varying interactions among nodes. Latent factorization of tensors (LFT) extracts target knowledge from DWDNs via low-rank embedding. However, simil…

相关实体

相关话题