.png){kind=icon}
返回
Tensor-Train networks for learning predictive modeling of multidimensional data
.png){kind=icon}
OA
AI
DOI：10.1016/j.neucom.2025.130037.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在本工作中，我们首先应用张量列（TT）网络来构建经典多层感知器（Multilayer Perceptron）的紧凑表示，实现了高达95%的系数压缩。同时，在Mackey-Glass噪声混沌时间序列和NASDAQ指数预测的背景下，我们也对张量模型与标准多层神经网络进行了比较分析。我们证明了多维回归模型的权重可以通过TT网络进行学习，且TT权重的优化对系数初始化和超参数设置的影响更为鲁棒。此外，还提出了一种基于交替最小二乘法的高效算法，用于近似TT格式的权重并减少计算量，其收敛速度远快于广泛用于优化神经网络的已知自适应学习率算法。
Keyword:
Tensor-Train network
Multilinear regression model
Multilayer perceptron
Neural networks
Time-series forecasting
Supervised learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
分享收藏A bidiagonalization algorithm for solving large and sparse ill-posed systems of linear equations.png)
BIT
BITIF0
PREAI
分享收藏
查看更多内容