arXiv · cs.AI · Hiroki Hasegawa, Yukihiko Okada · 8 小时前模型评分29
低 Tucker 秩张量的轻量表征学习
Lightweight Representation Learning for Low Tucker Rank Tensors
导读
一项研究提出低 Tucker 秩张量的轻量表征学习方法，通过按需提取任务所需谱分量、按因子做多线性收缩、紧凑隐状态更新三个组件，在不改变原算法学习轨迹的前提下降低计算与内存开销。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “Our approach combines three complementary components: (i) sequential extraction of only task-required spectral components, avoiding unnecessary full decompositions; (ii) factor-wise multilinear contractions without materializing large Kronecker operators; and (iii) compact latent-state updates without storing full ambient tensor iterates.”
来源：arXiv · cs.AI · arxiv.org