标签
This paper introduces MINT, a method that stacks recurrence (self-similarity) matrices of multiple time series into a tensor and applies tensor decomposition to mine co-clustered cross-sensor patterns. Experiments on transit, electricity, wind turbine, and traffic data show effective co-clustering of motifs in regular time series.
提出混合潜变量-结构融合（HLSF），一种加权异常融合框架，结合CP-APR结构异常分数与来自归一化流的隐空间密度分数，在真实受损用户凭证数据上提升了网络异常检测性能。
介绍 (MPO)²，一个结合了学习到的矩阵乘积算子特征嵌入和紧凑多项式权重张量的框架，用于高效的多元多项式优化，在性能上优于现有的基于张量分解的多项式模型。
本文提出FaStR，一种通过CP分解将强化学习中的转移核分解为独立的状态、动作和下一状态编码器的方法，从而提升样本效率，尤其在高维运动控制任务中效果显著。
本文介绍了低成本高阶奇异值分解（lcHOSVD），一种基于张量的方法，用于从稀疏传感器测量中重构高维环境场。应用于城市流动和空气质量数据集，与基于矩阵的方法相比，该方法实现了更低的重构误差，并对不均匀传感器分布具有更强的鲁棒性。
本文介绍了一种可分离神经网络架构（SNA），这是一种结合神经逼近与张量分解的函数类，用于高效求解参数化偏微分方程。该方法在工程应用中（如激光粉末床熔融和材料性能预测）相比传统基于网格的方法实现了显著加速（高达150,000倍）。
本文提出了矩阵补全问题的一种分布性推广，其中每个条目是概率分布而非标量，利用核均值嵌入和Tucker秩来捕捉低秩结构。作者提出了一种新的估计器，并给出了非渐近误差界，通过在合成数据和真实世界数据上的实验证明了该方法的有效性。
本文提出一种在线框架，将流式时间序列建模为时滞系统的动态混合，通过总结系统张量和张量分解应对机制转变和内存限制。