机构名称：
¥ 1.0
摘要 — 张量分解为因子矩阵，通过核心张量相互作用，在信号处理和机器学习中得到了广泛的应用。到目前为止，将数据表示为 2 阶或 3 阶子张量的有序网络的更通用的张量模型尚未在这些领域得到广泛考虑，尽管这种所谓的张量网络 (TN) 分解在量子物理和科学计算中已经得到了长期研究。在本文中，我们介绍了 TN 分解的新算法和应用，特别关注张量序列 (TT) 分解及其变体。为 TT 分解开发的新算法在每次迭代中以交替方式更新一个或多个核心张量，并表现出对大规模数据张量的增强的数学可处理性和可扩展性。为了严格起见，给定秩、给定近似误差和给定误差界限的情况都被考虑在内。所提出的算法提供了均衡的 TT 分解，并在单一混合盲源分离、去噪和特征提取的经典范例中进行了测试，与广泛使用的 TT 分解截断算法相比，取得了更优异的性能。
张量序列近似的新算法
主要关键词
相关文件推荐
