TensorSSM 提出动态状态空间张量分解方法
热点事件持续更新
TensorSSM 提出动态状态空间张量分解方法
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
Sheng Zhang、Xinyi Wang、Maolin Wang 和 Xiangyu Zhao 提出 TensorSSM，一种利用动态状态空间模型（SSM）记忆空间位置的隐式神经表示方法，用于张量函数分解。该方法旨在提升高维张量分解的表达能力。 TensorSSM 采用 K 进制规则，将各维坐标拆分为由粗到细的序列，并扩展状态空间以显式建模不同维度之间的空间依赖。研究团队报告称，该方法在多种张量数据集上取得了较高的重建精度和存储效率。</escape>
AI 根据报道生成 · 2 小时前更新
最新进展11月2日 13:00
TensorSSM：基于动态状态空间模型记忆空间位置的张量核心生成方法报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv · Machine LearningTensorSSM：基于动态状态空间模型记忆空间位置的张量核心生成方法
TensorSSM 提出一种用于张量分解的隐式神经表示（INR）方法，通过动态状态空间模型（SSM）记忆空间位置，提升高维张量压缩的表达能力。该方法采用 K-ary 规则将各维坐标分解为由粗到细的序列，并扩展状态空间以显式建模跨维空间依赖。实验表明，TensorSSM 在多种张量数据集上实现了较高的重建精度和存储效率。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。