GB-CPKM梯度提升框架实现张量秩选择

Albert Saiapin 与 Kim Batselier 提出 GB-CPKM，一种基于 CP 张量网络参数化的梯度提升框架，用于张量网络核机的秩选择。该方法通过顺序添加固定秩学习器逐步提升模型容量，并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，作者报告 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。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。