标签
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。