l_l_c_q的博客

基于张量网络的自适应学习Adaptive Tensor Learning with Tensor Networks不同于CP、TT、TR、Tucker分解的分解模型

  雅可比矩阵是以一阶偏导数按一定方式排列而成的矩阵，如果为方阵，其行列式就是 雅可比行列式，雅克比行列式最重要的就是能够提供一个最佳线性逼近。 雅克比矩阵体现的是多重映射关系，假设有 m 个自变量，n 个因变量，那么它们就可 以表示成一个 m×n\mathrm{m} \times \mathrm{n}m×n 的矩阵，其元素即为一个对应映射的偏导数，比如给定三个自变量x1、x2,x3x_{1} 、 x_{2}, x_{3}x1​、x2​,x3​ 和三个因变量 y1、y2、y3,y_{1} 、 y_{2} 、

对python的torch和numpy进行一些整理

  本博客整理自研读的论文，文末会附上出处。基于高阶奇异值的多模态推荐和聚类方法一.背景二.基于高阶奇异值分解的多模态推荐1.基于张量的教育大数据表示与融合（+简化）2.基于高阶奇异值分解的多维关联分析3.实现不同情景下的教育资源精准推荐三.基于高阶奇异值分解的自适应聚类增量式自适应聚类的学习共同体构建一.背景  在教育领域，随着云计算和移动互联网的发展，不同的学习平台产生了海量的教育大数据，包括个人数据、学习行为记录、交互数据等。 当前教育数据彼此分割、互操作不强，导致从中抽取、挖掘出有价值的个性化

  本博客整理自研读的论文，文末会附上出处。基于张量的多元多阶马尔科夫多模态预测方法一.问题背景二.多元多阶马尔科夫模型1.张量连接和张量统一乘2.多元多阶马尔科夫转移模型3.多元多阶马尔科夫多步转移模型三.多元多阶马尔科夫稳态联合主特征张量四.多元多阶马尔科夫多模态预测一.问题背景  基于马尔科夫理论进行预测被认为是一种可行的方法。近年来，结合张量理论和马尔科夫理论进行精准预测，已成为学术界的一种新趋势。  在早期对多阶马尔科夫模型的研究中，是通过多个时刻的线性组合近似为一阶马尔科夫链来处理，但是