Hesaplamalı Matematik alanında öne çıkan makaleler
Pofolia’nın havuzunda Hesaplamalı Matematik alt dalından 83 makale var (2012–2022). Aşağıdaki liste en çok atıf alandan başlar.
En çok atıf alanlar
Sıralama atıf sayısına göre. Atıf zamanla biriktiği için bu liste doğal olarak birkaç yıl önce yayımlanmış çalışmalara ağırlık verir; alanın bugünü için “son eklenenler” bölümüne bak.
Sinyal İşleme ve Makine Öğrenmesi için Tensör Ayrıştırma
Tensor Decomposition for Signal Processing and Machine Learning
IEEE Transactions on Signal Processing · 2017 · Q1 · SJR 1.00 · FWCI 58.10 · 1.611 atıf
Bu derleme makalesi, sinyal işleme ve makine öğrenmesi alanlarındaki araştırmacılar ve uygulayıcılar için çok boyutlu verileri analiz etmek üzere güçlü bir matematiksel araç olan tensör ayrıştırmasını tanıtmaktadır.
Sinyal İşleme Uygulamaları için Tensör Ayrıştırmaları: İki Yönlüden Çok Yönlü Bileşen Analizine
Tensor Decompositions for Signal Processing Applications: From two-way to multiway component analysis
IEEE Signal Processing Magazine · 2015 · Q1 · SJR 2.00 · FWCI 42.62 · 1.384 atıf
Daha yüksek dereceli tensörler (çok yönlü diziler), hafif koşullar altında garantili tekilliğe sahip polinom modelleri sağlayan, geleneksel matris modellerinden daha çok yönlü bir veri analizi paradigması sunar.
Üçüncü Derece Tensörlerin Matrisler Üzerinde Operatör Olarak Kullanımı: Görüntüleme Uygulamaları ile Teorik ve Hesaplamalı Bir Çerçeve
Third-Order Tensors as Operators on Matrices: A Theoretical and Computational Framework with Applications in Imaging
SIAM Journal on Matrix Analysis and Applications · 2013 · Q1 · SJR 1.00 · FWCI 5.60 · 1.206 atıf
Bu çalışma, üçüncü derece tensörleri matrisler üzerinde operatörler olarak ele alan, matris uzunlukları, açıları ve ortogonalliğini tanımlayan ve yeni hesaplamalı yöntemlere olanak tanıyan yeni bir çerçeve sunmaktadır.
En Çok Tensör Problemi NP-Zor'dur
Most Tensor Problems Are NP-Hard
Journal of the ACM · 2013 · Q1 · SJR 1.00 · FWCI 21.80 · 1.146 atıf
Çok boyutlu matris genellemeleri olan tensörlerle ilgili birçok temel problem, büyük girdiler için hesaplama açısından çözülemez oldukları anlamına gelen NP-zor olarak kanıtlanmıştır.
Sinir Ağları için Model Sıkıştırma ve Donanım Hızlandırma: Kapsamlı Bir Derleme
Model Compression and Hardware Acceleration for Neural Networks: A Comprehensive Survey
Proceedings of the IEEE · 2020 · Q1 · SJR 5.00 · FWCI 61.79 · 931 atıf
Bu derleme, Doğal Dil İşleme (DNN) modellerinin gömülü sistemlerde verimli bir şekilde konuşlandırılması için sıkıştırma ve hızlandırma alanındaki son gelişmeleri, performans ve doğruluk arasındaki dengeyi ele alarak kapsamlı bir şekilde incelemektedir.
Gizli değişken modelleri öğrenmek için tensör ayrışımları
Tensor decompositions for learning latent variable models
CaltechAUTHORS (California Institute of Technology) · 2014 · FWCI 32.58 · 818 atıf
Yeni bir yöntem, Gauss karışım modelleri ve gizli Markov modelleri gibi gizli değişken modellerinde parametreleri verimli bir şekilde tahmin etmek için tensör ayrışımlarını kullanır.
Sele Noktalarından Kaçış: Tensör Ayrıştırma için Çevrimiçi Stokastik Gradyan
Escaping From Saddle Points --- Online Stochastic Gradient for Tensor\n Decomposition
arXiv (Cornell University) · 2015 · 611 atıf · Açık erişim
Bu makale, mevcut sele noktalarına takılma eğilimli yöntemlere göre önemli bir gelişme olan, dışbükey olmayan fonksiyonlar için yerel minimuma yakınsamayı garanti eden yeni bir stokastik gradyan iniş yöntemi sunmaktadır.
Eksik Tensörlerin Otomatik Rank Belirlemeli Bayesçi CP Faktörizasyonu
Bayesian CP Factorization of Incomplete Tensors with Automatic Rank Determination
IEEE Transactions on Pattern Analysis and Machine Intelligence · 2015 · Q1 · SJR 4.00 · FWCI 12.53 · 606 atıf
Bu makale, mevcut yöntemlerin önemli bir sınırlamasını aşarak tensör rankını otomatik olarak belirleyen yeni bir Bayesçi CP tensör faktörizasyonu yaklaşımı sunmaktadır.
Düşük ranklı tensör yaklaştırma teknikleri üzerine bir literatür taraması
A literature survey of low‐rank tensor approximation techniques
GAMM-Mitteilungen · 2013 · Q3 · FWCI 17.82 · 584 atıf
Bu tarama, daha önce çözülemez kabul edilen büyük ölçekli bilimsel hesaplama problemlerini ele almak için yeni bir araç olarak ortaya çıkan düşük ranklı tensör yaklaştırma tekniğine genel bir bakış sunmaktadır.
Nörogörüntüleme Veri Analizinde Tensör Regresyonu Uygulamaları
Tensor Regression with Applications in Neuroimaging Data Analysis
Journal of the American Statistical Association · 2013 · Q1 · SJR 3.00 · FWCI 6.82 · 569 atıf
Ultra-yüksek boyutlu nörogörüntüleme verilerini verimli bir şekilde analiz etmek için yeni bir tensör regresyon modelleri ailesi önerilmiştir; bu modeller boyutluluğu azaltarak verimli tahmin ve öngörü sağlamaktadır.
Sinir Ağlarını Tensörize Etmek
Tensorizing Neural Networks
arXiv (Cornell University) · 2015 · 499 atıf · Açık erişim
Araştırmacılar, sinir ağlarındaki yoğun ağırlık matrislerini Tensör Tren formatına dönüştüren bir yöntem geliştirdi; bu, ağın ifade gücünü korurken parametre sayısını önemli ölçüde azaltıyor.
Pekiştirmeli öğrenme ile daha hızlı matris çarpımı algoritmaları keşfetmek
Discovering faster matrix multiplication algorithms with reinforcement learning
Nature · 2022 · Q1 · SJR 19.00 · FWCI 53.78 · 456 atıf · Açık erişim
AlphaTensor adlı derin pekiştirmeli öğrenme ajanı, birçok matris boyutu için en gelişmiş karmaşıklığı aşan yeni matris çarpımı algoritmaları keşfetti; özellikle 4x4 matrisler için bir atılım gerçekleştirdi.
Boyutsallik Azaltma ve Büyük Ölçekli Optimizasyon için Tensör Ağları: Bölüm 1 Düşük Dereceli Tensör Ayrıştırmaları
Tensor Networks for Dimensionality Reduction and Large-scale Optimization: Part 1 Low-Rank Tensor Decompositions
Foundations and Trends® in Machine Learning · 2016 · Q1 · SJR 5.00 · FWCI 10.15 · 437 atıf
Bu makale, verimli boyutsallık azaltma ve optimizasyon sağlayarak büyük, karmaşık veri kümelerinin analizindeki 'boyutsallık laneti'ni aşmak için yeni bir yaklaşım olarak tensör ağlarını tanıtmaktadır.
Tensör Ekranlar
Tensor displays
ACM Transactions on Graphics · 2012 · Q1 · SJR 5.00 · FWCI 15.47 · 418 atıf
Araştırmacılar, matematiksel tensörlerle temsil edilebilen ışık alanları yayan yeni bir ışık alanı ekranı sınıfı olan 'tensör ekranları' tanıttı.
Bilgi Grafiklerindeki Bağlantı Tahmini için Basit Gömme (SimplE)
SimplE Embedding for Link Prediction in Knowledge Graphs
arXiv (Cornell University) · 2018 · 395 atıf · Açık erişim
SimplE adlı yeni bir yöntem, bilgi grafiği bağlantı tahmini için Kanonik Poliyadik (CP) ayrıştırmayı geliştirerek, bağımlı varlık gömmelerini öğrenir ve mevcut tensör ayrıştırma tekniklerinden önemli ölçüde daha iyi performans gösterir.
Gizli Anlamsal Yapının Tekil Değer Ayrışımı Modeli Kullanılarak Bilgi Erişimi
Information Retrieval using a Singular Value Decomposition Model of Latent Semantic Structure
ACM SIGIR Forum · 2017 · FWCI 6.13 · 388 atıf
Bu makale, Gizli Anlamsal Yapıyı Tekil Değer Ayrışımı (SVD) kullanarak modelleyen bilgi erişimi için yeni bir yaklaşım sunmaktadır. Yöntem, terimler ve belgeler arasındaki temel ilişkileri ortaya çıkararak arama doğruluğunu artırmayı amaçlamaktadır.
Model İndirgeme ve Yaklaşım
Model Reduction and Approximation
Society for Industrial and Applied Mathematics eBooks · 2017 · FWCI 4.04 · 386 atıf · Açık erişim
Hesaplamalı bilimlerdeki yüksek boyutlu problemlerin çözümü için düşük mertebeli tensör yaklaşımlarına dayanan yeni karmaşıklık azaltma yöntemleri sunulmaktadır.
Pseudo-Topluluklarla Öğrenme
Learning with Pseudo-Ensembles
arXiv (Cornell University) · 2014 · 361 atıf · Açık erişim
Gürültü yoluyla bir ana modelden türetilen model koleksiyonları olan 'sözde-toplulukları' resmileştiren yeni bir düzenlileştirme tekniği, yarı denetimli öğrenmede son teknoloji sonuçlar elde ediyor.
Veri Madenciliği ve Veri Füzyonu için Tensörler
Tensors for Data Mining and Data Fusion
ACM Transactions on Intelligent Systems and Technology · 2016 · Q1 · SJR 2.00 · FWCI 15.66 · 361 atıf
Bu derleme, karmaşık, çok yönlü verileri modellemek için güçlü araçlar olarak tensörleri ve tensör ayrıştırmalarını vurgulamakta ve veri madenciliği uygulamaları için gizli bilgilerin çıkarılmasını sağlamaktadır.
Tensör Optimizasyonu İçin Değişmeli Doğrusal Şema ve Tensör Tren Formatı
The Alternating Linear Scheme for Tensor Optimization in the Tensor Train Format
SIAM Journal on Scientific Computing · 2012 · Q1 · SJR 1.00 · FWCI 8.93 · 360 atıf
Tensör Tren (TT) formatında tensör optimizasyonu için, değişmeli en küçük kareler yöntemini genelleştiren yeni, kararlı ve genel bir algoritma (ALS/MALS) tanıtıldı.
Son eklenenler
Pekiştirmeli öğrenme ile daha hızlı matris çarpımı algoritmaları keşfetmek
Discovering faster matrix multiplication algorithms with reinforcement learning
Nature · 2022 · Q1 · SJR 19.00 · FWCI 53.78 · 456 atıf · Açık erişim
AlphaTensor adlı derin pekiştirmeli öğrenme ajanı, birçok matris boyutu için en gelişmiş karmaşıklığı aşan yeni matris çarpımı algoritmaları keşfetti; özellikle 4x4 matrisler için bir atılım gerçekleştirdi.
Bilgisayar Görüşü ve Derin Öğrenmede Tensör Yöntemleri
Tensor Methods in Computer Vision and Deep Learning
Proceedings of the IEEE · 2021 · Q1 · SJR 5.00 · FWCI 15.39 · 174 atıf
Çok boyutlu diziler olan tensörler, bilgisayar görüşünde verimli ağ mimarileri, gelişmiş sağlamlık ve teorik anlayış sağlayan derin öğrenme için giderek daha temel hale gelmektedir.
Çoklu Görünümlü Alt Uzay Kümeleme için Düşük Dereceli Tensör Grafik Öğrenmesi
Low-Rank Tensor Graph Learning for Multi-View Subspace Clustering
IEEE Transactions on Circuits and Systems for Video Technology · 2021 · Q1 · SJR 2.00 · FWCI 19.04 · 201 atıf
Yeni bir çoklu görünümlü kümeleme yöntemi olan Düşük Dereceli Tensör Grafik (LRTG), temsil ve ilişki matrislerini tek adımda eş zamanlı olarak öğrenerek 17 adet son teknoloji yöntemi geride bırakmaktadır.
İyileştirilmiş Lazer Yöntemi Daha Hızlı Matris Çarpımı Sağlıyor
A Refined Laser Method and Faster Matrix Multiplication
Society for Industrial and Applied Mathematics eBooks · 2021 · 277 atıf · Açık erişim
İyileştirilmiş bir lazer yöntemi, matris çarpımı karmaşıklığı sınırını önceki en iyi değer olan ω < 2.37287'nin üzerine çıkararak ω < 2.37286'ya yükseltiyor.
Çok Boyutlu Zaman Serileri Tahmini İçin Bayesçi Zamansal Faktörizasyon
Bayesian Temporal Factorization for Multidimensional Time Series Prediction
IEEE Transactions on Pattern Analysis and Machine Intelligence · 2021 · Q1 · SJR 4.00 · FWCI 25.92 · 255 atıf
Yeni bir Bayesçi zamansal faktörizasyon (BTF) çerçevesi, düşük dereceli matris/tensör faktörizasyonu ve vektör otoregresif süreçlerini entegre ederek, eksik değerleri doldurmaya gerek kalmadan olasılıksal tahminler ve belirsizlik tahminleri sağlayan çok boyutlu zaman serilerini modeller.
Bu alanı günlük akışına ekle
İlgi alanlarını seç, her gün alanındaki yeni makaleler Türkçe özetleriyle önüne gelsin. Özetlerin tamamı uygulamada.
Uygulamayı aç