Tensor Networks for Dimensionality Reduction and Large-Scale Optimization: Part 1 Low-Rank Tensor Decompositions
Les applications modernes en ingénierie et en science des données reposent de plus en plus sur des données multidimensionnelles d'un volume, d'une variété et d'une richesse structurelle extrêmement élevés. Cependant, les algorithmes standards d'apprentissage automatique et d'exploration de données s'étendent généralement de manière exponentielle avec le volume de données et la complexité des couplages intermodaux - ce qu'on appelle la malédiction de la dimensionnalité - ce qui est prohibitif pour l'analyse de tels ensembles de données à grande échelle, multimodales et multirelationnelles. Étant donné que ces données sont souvent représentées de manière pratique sous forme de tableaux multi-voies ou de tenseurs, il est donc opportun et utile pour les communautés multidisciplinaires d'apprentissage automatique et d'analyse de données d'examiner les décompositions tensorielles et les réseaux tensoriels en tant qu'outils émergents pour la réduction de la dimensionnalité et l'optimisation à grande échelle.
Cette monographie fournit un guide systématique et riche en exemples sur les propriétés et les applications de base des méthodologies de réseaux tensoriels, et démontre leur potentiel en tant qu'outil d'analyse de données multidimensionnelles à l'échelle extrême. Elle démontre la capacité des réseaux tensoriels à fournir des solutions linéaires, voire super-linéaires, évolutives.
Le cadre d'analyse des réseaux tensoriels de faible rang présenté dans cette monographie vise à la fois à démystifier les décompositions tensorielles à des fins pédagogiques et à donner aux praticiens une intuition et une liberté accrues en matière de conception algorithmique pour les multiples applications. En outre, le matériel peut être utile dans les cours magistraux sur l'apprentissage automatique à grande échelle et l'analyse des grandes données, ou même comme lecture intéressante pour le lecteur intellectuellement curieux et généralement bien informé.
© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)