tensor decomposition
PulseAugur coverage of tensor decomposition — every cluster mentioning tensor decomposition across labs, papers, and developer communities, ranked by signal.
-
ReLATE框架通过学习的稀疏编码加速张量分解
研究人员开发了ReLATE，一个旨在通过学习最优稀疏编码来加速张量分解（TD）的新型框架。该方法利用强化学习方法，结合了无模型和基于模型的算法，在无需标记数据的情况下发现高效编码。ReLATE集成了弹性训练和规则驱动动作掩码等功能，以确保学习阶段的准确性和有界执行时间。训练完成后，ReLATE的性能显著提升，在开销极小的情况下，其性能比专家设计的格式快2倍。
-
新系统使用 LLM 分析和解释数据模式
研究人员开发了 AnTenA 系统，该系统利用大型语言模型 (LLM) 来分析和解释多方面数据中隐藏的模式。这种方法利用 LLM 的任务无关和任务特定提示来解释从张量分解中提取的潜在模式。该系统旨在提供面向行动和可解释的见解，尤其是在传统标签或辅助数据不足或不可用时。AnTenA 的有效性通过前向和后向推理任务进行评估，并提供了一个演示。
-
新方法为Bregman ADMM提供二阶KKT保证
研究人员开发了一种新颖的方法来分析非凸和非Lipschitz优化问题的Bregman ADMM。该方法用双边相对平滑条件取代了标准的Lipschitz梯度假设，该条件涉及相对于Bregman核的Hessian比较。分析表明，在此条件下，迭代以高概率收敛到严格鞍点，从而导致极限KKT点的几乎确定性二阶平稳性。该工作通过多块星形共识公式扩展到分布式优化，并包括矩阵和张量分解的数值实验。
-
新方法解决因果推断中的未观测混淆问题
研究人员开发了一种新的因果推断方法，该方法解决了未观测混淆的挑战，特别是在混淆因素是类别型的情况下。该方法利用混合学习，通过恢复相应的混合分布来识别潜在的混淆结构。提出了一种基于张量分解的估计程序，该程序提供了对潜在结构的持续恢复和非渐近保证，并在模拟和真实世界实验中证明了其有效性。