PulseAugur
中
实时 13:30:34
English(EN) Robust Neural Tucker Factorization with Bias Correction and Adaptive Initialization

新的Kabin方法增强了用于不完整张量数据的神经Tucker分解

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为Kabin（Kaiming初始化和偏差校正）的新方法，以提高高维不完整张量补全的神经Tucker分解的准确性。该技术解决了参数初始化和输出映射偏差问题，这些问题会阻碍传统线性重建框架的性能。在真实数据集上的实验表明，Kabin与原始NeuTucF模型相比，在计算成本增加极少的情况下提供了卓越的性能。 AI

影响 提高了复杂时空数据建模的准确性，可能使交通和气候科学等应用受益。

排序理由 这是一篇详细介绍张量分解新方法的学术论文。[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) · Yuchao Su, Yixin Ran ·

    Robust Neural Tucker Factorization with Bias Correction and Adaptive Initialization

    arXiv:2606.16388v1 Announce Type: new Abstract: High-dimensional incomplete (HDI) tensors are widely used in traffic and climate applications, but sparse observations make accurate completion difficult. The intrinsic non-linear dynamics and non-stationary variations across distin…

相关话题