PulseAugur
中
实时 10:25:57
English(EN) Stochastic trace estimation with tensor train random vectors

新型张量链向量增强矩阵迹估计

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种使用高斯随机张量链向量进行随机迹估计的新方法。该方法为传统方法提供了一种结构化替代方案，特别适用于非结构化向量计算成本高昂的张量结构化设置。所提出的技术在应用于适当的张量链秩时，为 Girard--Hutchinson 估计器提供了与维度无关的保证，并能达到与经典方法相似的精度。此外，该研究还探讨了将这些草图集成到 Nyström++ 框架中，在特定条件下可能提高样本复杂度。 AI

影响 在张量结构化设置中引入了一种更有效的矩阵迹估计方法，可能提高机器学习算法的性能。

排序理由 该集群包含一篇学术论文，详细介绍了机器学习领域内数学问题的新理论方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Zvonimir Bujanovi\'c, Daniel Kressner, Hrvoje Oli\'c ·

    Stochastic trace estimation with tensor train random vectors

    arXiv:2606.15679v1 Announce Type: cross Abstract: Stochastic trace estimation is a standard tool for approximating the trace of a large-scale matrix available only through matrix-vector products. However, in tensor-structured settings, unstructured Gaussian or Rademacher test vec…

  2. arXiv stat.ML TIER_1 English(EN) · Hrvoje Olić ·

    Stochastic trace estimation with tensor train random vectors

    Stochastic trace estimation is a standard tool for approximating the trace of a large-scale matrix available only through matrix-vector products. However, in tensor-structured settings, unstructured Gaussian or Rademacher test vectors may be prohibitively expensive to store and c…

相关实体

相关话题