arXiv cs.AI· Albert Saiapin, Kim Batselier·· 11 小时前AI 评分20
GB-CPKM：用梯度提升实现张量网络核机的高效秩发现
Gradient Boosting for Efficient Rank Discovery in Tensor Network Kernel Machines
AI 导读
研究者提出 GB-CPKM，一种基于 CP 张量网络参数化的梯度提升框架，通过顺序添加固定秩学习器逐步提升模型容量，以验证集表现选择集成规模，替代显式秩搜索。在真实回归基准上，GB-CPKM 训练速度比基于交叉验证的传统秩选择方法快至多 6 倍，峰值内存少至多 2 倍，预测性能相当。
正文 · AI 翻译
摘要：张量网络核机（TNKMs）将非线性特征与低秩张量表示相结合，以高效地建模复杂关系。然而，选择合适的张量秩仍然具有挑战性，因为传统的秩搜索方法需要训练多个候选模型，增加了计算成本。在本工作中，我们聚焦于规范多态（CP）张量网络参数化，并提出 GB-CPKM，一种梯度提升框架，通过依次添加固定秩学习器来构建更高容量的预测器。该方法通过逐步增加模型容量为秩选择提供了新视角，集成规模基于验证性能而非显式秩搜索来选择。在真实世界回归基准上的实验表明，与基于交叉验证的传统秩选择方法相比，GB-CPKM 的训练速度最高快 6 倍，峰值内存使用最高少 2 倍，同时达到可比的预测性能。这些结果凸显了梯度提升在提高张量网络学习的计算效率和可扩展性方面的潜力。
| 评论： | 13 页，3 幅图，1 张表。代码见：此 https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.08093 [cs.LG] |
| （或 arXiv:2611.08093v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08093 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Albert Saiapin [查看邮箱]
[v1]
2026 年 11 月 5 日星期四 14:36:46 UTC（5,754 KB）
来源：arXiv cs.AI · arxiv.org