A $μ$-mode BLAS approach for multidimensional tensor-structured problems
在这篇文章中,我们提出了一个共同的张量框架,可以用来推广到任意尺寸的$d$通过张量积公式的一维数值任务。这是有用的,例如,在多元插值,多维函数近似使用伪谱展开和解决方案的刚性微分方程的张量积域的上下文中。获得有效实现的BLAS公式的关键点在于适当使用$μ$ -模式产品(也称为张量矩阵产品或模式- $n$产品)和相关的操作,如塔克算子。本文讨论了他们的MathWorks MATLAB/GNU Octave实现,并将其收集在KronPACK包中。我们目前的数值结果的实验,从不同领域的数值分析,这表明该方法的有效性。
2022-05-16 cs.NA math.NA
TT-GMRES: on solution to a linear system in the structured tensor format
Institute of Numerical Mathematics, Russian Academy of Sciences(俄罗斯科学院计算数学研究所)
针对张量列(TT)格式,提出并研究了一种自适应的张量结构化GMRES方法,通过松弛技术改善收敛性能,并在高维参数化sPDE问题中与ALS和DMRG方法进行了比较。
2012-06-24 cs.NA math.NA
Stability of Low-Rank Tensor Representations and Structured Multilevel Preconditioning for Elliptic PDEs
将大小为$2^L$的网格值向量折叠成模式大小为$2\times \cdots\times 2$的$L$阶张量,与张量训练格式的低秩表示相结合,已被证明可以导致各种类型的函数的高效近似。这些问题包括非光滑域上的椭圆型偏微分方程的解或具有振荡数据的偏微分方程的解。这种张量结构的方法是有吸引力的,因为它导致高度压缩,自适应近似基于简单的离散化。基本基的标准选择,如均匀张量积网格上的分段多线性有限元,必然导致离散算子的众所周知的矩阵病态。我们证明,对于低秩表示,张量结构本身的使用还引入了表示病态,这是张量网络中计算特有的一种新效应。我们分析了二阶线性椭圆算子BPX预处理器的张量结构,并构造了预处理器的显式张量结构表示,其秩与离散化水平的数量$L$无关。直接应用的预条件产生离散算子的矩阵条件是统一的离散化参数,但在分解表示病态。通过另外消除某些冗余的预处理离散算子的表示,我们得到的降秩分解是免费的矩阵和表示病态。对于低秩张量的软阈值的基础上的迭代求解器,我们得到的收敛性和复杂性的估计,并证明其可靠性和效率的离散化与$2^{50}$节点在每个维度。
2019-11-17 cs.NA math.NA
Restarted Nonnegativity Preserving Tensor Splitting Methods via Relaxed Anderson Acceleration for Solving Multi-linear Systems
本文提出一种带松弛Anderson加速的张量分裂方法求解多线性系统,新方法在每步迭代保持非负性并改进了现有方法,同时给出了收敛性分析且数值实验验证了其有效性。
2024-10-17 cs.NA math.NA
Preconditioned TBiCOR and TCORS Algorithms for Solving the Sylvester Tensor Equation
本文提出了求解Sylvester张量方程的预条件TBiCOR和TCORS方法。本文导出了求解Sylvester张量方程的张量Lanczos $\mathcal{L}$ -双正交化算法(TLB)。提出了两种改进的TLB方法。一种是双共轭$\mathcal{L}$ -张量形式的正交残差算法(TBiCOR),它对TLB方法得到的三角系数矩阵进行$LU$分解;另一种是张量形式的共轭$\mathcal{L}$ -正交残差平方算法(TCORS),它在TBiCOR算法的残差中引入了平方算子。采用基于最近Kronecker积的预条件子对TBiCOR和TCORS算法进行加速,得到了预条件TBiCOR算法(PTBiCOR)和预条件TCORS算法(PTCORS).证明了所提出的算法在有限步迭代内是收敛的,且无圆整误差。几个例子表明,预处理TBiCOR和TCORS算法具有良好的收敛性。
2021-11-27 cs.NA math.NA
Solving High-dimensional Parametric Elliptic Equation Using Tensor Neural Network
本研究提出基于张量神经网络的机器学习方法,利用张量积结构将高维积分降为一维积分,把计算复杂度从指数级降至多项式级,可高效求解高维参数椭圆方程,数值算例验证了其准确性与效率。
2024-01-15 cs.NA math.NA
Structured Tensor Approximation from Lateral Slice Sampling via Basis and Manifold Priors
University of Southern California(南加州大学);University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
针对仅观测有限横向切片的结构化张量近似问题,提出BMTA算法,结合两种信号模型与低秩Tucker框架,通过理论分析与多数据集实验验证其有效性。
2026-08-07 cs.NA math.NA
Gradient-based iterative algorithms for solving Sylvester tensor equations and the associated tensor nearness problems
School of Mathematics and Statistics, Lanzhou University(兰州大学数学与统计学院)
本文提出了一种迭代算法来求解Sylvester张量方程,并通过该算法自动确定方程的可解性,且在无舍入误差的情况下,任何初始迭代张量都能在有限次迭代中得到解。特别地,通过选择特定的初始迭代张量,可以得到上述方程的最小F范数解。此外,该算法被应用于与上述Sylvester张量方程相关的张量近似问题,证明该问题的解也可以通过求解另一个Sylvester张量方程在有限次迭代中得到。数值实验表明,所提出的算法具有良好的前景。
2018-11-26 cs.NA math.NA
Fast and Accurate Interpolative Decompositions for General, Sparse, and Structured Tensors
本研究针对两类张量插值分解,提出带与张量规模无关误差界的自适应方法,结合随机草图实现高效精确计算,还为稀疏及CP格式张量设计专用算法,经理论与实验验证有效。
2025-03-24 cs.NA math.NA
Provable Low-Rank Tensor-Train Approximations in the Inverse of Large-Scale Structured Matrices
本文研究大规模结构化矩阵逆的TT低秩特性,提出可计算验证的充分条件,证明多类PDE对应的微分算子导出矩阵的逆具有低秩TT格式,开发高效TT逆矩阵算法,数值实验验证了理论与方法的有效性。
2025-01-13 cs.NA math.NA
Orthogonal Constrained Neural Networks for Solving Structured Inverse Eigenvalue Problems
本文提出了一种名为Stiefel多层感知机(SMLP)的新型无监督神经网络,通过引入Stiefel层确保相似变换的正交性,并利用ReLU处理非负性约束,构建了统一框架以高效精确求解结构化逆特征值问题。
2024-06-28 cs.NA math.NA
Functional tensor train neural network for solving high-dimensional PDEs
The University of Hong Kong(香港大学);Great Bay University(大湾区大学)
针对传统张量列方法难以处理非均匀网格或不规则域的问题,提出函数张量列神经网络(FTTNN),用神经网络近似TT核函数,结合物理信息损失函数,在高维PDE求解上性能优于PINN。
2025-10-15 cs.NA math.NA
A homotopy method for solving multilinear systems with M-tensors
University of Michigan-Flint(密歇根大学弗林特分校)
本文提出一种同伦方法,用于求解具有非奇异M-张量和正右端向量的多线性系统唯一正解,通过分析和证明其收敛性,并展示数值结果。
2017-01-26 cs.NA math.NA
Low-rank tensor approximations for solving multi-marginal optimal transport problems
通过引入熵正则化,将多边缘最优输运问题转化为张量尺度问题,并采用多边缘Sinkhorn算法进行数值求解.该算法的主要计算瓶颈是边缘值的重复计算。最近,有人建议,当应用程序具有底层图形模型时,可以加速这种评估。在这项工作中,我们通过将图模型的张量网络对偶与额外的低秩近似相结合来进一步加速计算。我们提供了一个例子,几个图像之间的颜色转移,其中这些额外的低秩近似节省了96%以上的计算时间。
2022-10-24 cs.NA math.NA
Efficient iterative techniques for solving tensor problems with the T-product
Vali-e-Asr University of Rafsanjan(拉夫桑詹瓦利·埃·阿斯尔大学);Innopolis University(伊诺波利斯大学)
本文提出两种基于T-积框架的高效迭代方法求解张量方程,包括共轭梯度型算法及其扩展,具有有限步收敛和最小Frobenius范数解等优势,实验验证了高精度和低计算时间。
2026-09-22 cs.NA math.NA
A tensor Alternating Anderson-Richardson method for solving multilinear systems with M-tensors
本文针对带非奇异 M-张量和正右端项的多重线性系统,提出张量交替 Anderson-Richardson 方法,通过周期结合张量 Richardson 迭代与 Anderson 加速,有效加速张量分裂方法求解唯一正解。
2024-01-15 cs.NA math.NA
An economic cascadic tensor multigrid method for solving high dimensional elliptic linear partial differential problems
Guilin University of Electronic Technology(桂林电子科技大学);Guangxi Colleges and Universities Key Laboratory of Data Analysis and Computation(广西高校数据分析与计算重点实验室);Center for Applied Mathematics of Guangxi (GUET)(广西应用数学中心)
提出一种经济级联张量多重网格方法(ECTMG),将存储和计算复杂度从O(n³)降至O(n²),并分析了基于张量形式的共轭梯度法的收敛性,数值实验验证了有效性。
2026-06-25 cs.NA math.NA
Structured Low-Rank Tensor Learning
CSTAR, IIIT Hyderabad(海得拉巴国际信息技术研究所CSTAR)
本文提出一种结构化低秩张量学习的新分解方法,将问题转化为流形上的优化,并开发一阶与二阶黎曼算法,推导对偶间隙,实验验证于非负和汉克尔约束。
2023-05-13 cs.LG cs.NA math.NA
Two-step parameterized tensor-based iterative methods for solving $\mathcal{A}_{*M}\mathcal{X}_{*M}\mathcal{B}=\mathcal{C}$
本文提出结合预处理与参数优化的两步参数化张量迭代方法,用于高效求解张量方程,并给出参数选择收敛准则,同时应用于Sylvester方程和图像去模糊问题。
2025-02-06 cs.NA math.NA
Solving Coupled Tensor Equation $\mathcal{A} \ltimes \mathcal{X} =\mathcal{B}, \ \mathcal{X}\ltimes \mathcal{C}=\mathcal{D}$ using Semi-Tensor Products in the t-product
NIT Raipur(印度理工学院赖普尔分校)
本文在 t-积框架下引入半张量积,研究了任意维数耦合三阶张量方程的解,给出了解存在的充要条件并刻画了系数张量的结构。
2026-05-29 cs.NA math.NA
Convex Tensor Decomposition via Structured Schatten Norm Regularization
本文研究用于凸优化张量分解的结构化Schatten范数,从理论上证明“潜在”方法优于“重叠”方法,并建立对偶性、一致性和可识别性结果。
2013-03-26 cs.LG cs.NA math.NA
Solving a Class of Infinite-Dimensional Tensor Eigenvalue Problems by Translational Invariant Tensor Ring Approximations
针对具有平移不变结构的无穷维张量特征值问题,提出用平移不变无穷张量环紧凑表示特征向量,结合低秩近似的幂法求解,通过投影残差监测收敛并自动调整时间步长,实现高效准确收敛。
2023-10-02 cs.NA math.NA
Solving high-dimensional Kolmogorov backward equations with functional hierarchical tensor operators
本文提出一种基于泛函分层张量(FHT)假设的张量网络方法,通过分层草图算法逼近高维 Markov 算子,高效求解了高维 Kolmogorov 前后向方程,并成功应用于数百变量的含时 Ginzburg-Landau 模型。
2024-04-22 cs.NA math.NA
Solving high-dimensional Hamilton-Jacobi-Bellman equation with functional hierarchical tensor
本文提出一种基于泛函分层张量拟设的数值方案,通过结合 Bellman 一致性误差与 Sobolev 惩罚项的回归方法及草图绘制子程序,有效解决了布朗运动下随机控制中的高维 Hamilton-Jacobi-Bellman 方程,并加速了值函数近似的收敛。
2025-06-28 cs.NA math.NA
Low-rank approximate inverse for preconditioning tensor-structured linear systems
Ecole Centrale de Nantes, GeM UMR CNRS 6183, LUNAM Université(南特中央理工学院,GeM UMR CNRS 6183,卢纳姆大学)
本文提出了一种构造低秩近似逆算子的算法,通过贪心算法最小化距离以提高迭代求解器的收敛性,并改进低秩近似解的质量。
2013-04-22 cs.NA math.NA
Incremental tensor regularized least squares with multiple right-hand sides
基于张量t-积求解三阶张量方程的线性离散不适定问题已引起人们的广泛关注。但当数据张量连续产生时,现有算法并不省时。在这里,我们提出了一个增量张量正则化最小二乘(t-IRLS)算法的t-产品,增量计算的解决方案,张量正则化最小二乘(t-RLS)问题的多个横向切片的右手边。更具体地说,我们通过解决t-RLS问题来更新其解决方案,每当新的水平样本到达时,右侧有一个横向切片,而不是从头开始解决t-RLS问题。t-IRLS算法非常适合于大数据集和实时操作。数值例子证明了我们的算法的效率。
2021-11-29 cs.NA math.NA
Solving High Dimensional Partial Differential Equations Using Tensor Neural Network and A Posteriori Error Estimators
本文提出结合张量神经网络与后验误差估计器的机器学习方法,通过高精度高效计算高维积分并自适应设计损失函数,用于求解高维边值问题和二阶椭圆算子特征值问题,提升了求解精度。
2024-05-05 cs.NA math.NA
Solving differential Riccati equations: A nonlinear space-time method using tensor trains
微分代数Riccati方程是控制理论中许多应用的核心。它们是依赖于时间的、矩阵值的,特别是非线性方程,需要特殊的方法来求解。在时间离散化的每一步,低秩方法都被大量使用来计算低秩解。我们建议使用一次所有的时空解决方案,导致一个大的非线性时空问题,我们建议使用牛顿-克莱曼迭代。用低秩形式近似时空问题需要较少的离散微分算子,并给出了整体解的低秩近似。
2019-12-14 cs.NA math.NA
Tensor absolute value equations
Qingdao University(青岛大学);Tsinghua University(清华大学);The Hong Kong Polytechnic University(香港理工大学)
本文研究了结构化的多线性系统,即张量绝对值方程,其与张量互补问题密切相关,并推广了矩阵情况下的经典绝对值方程。通过证明张量绝对值方程等价于特定结构的张量互补问题,提出了一种Levenberg-Marquardt型算法并给出了初步数值结果。
2017-05-18 cs.NA math.NA
Tensor Numerical Methods for High-dimensional PDEs: Basic Theory and Initial Applications
Max-Planck-Institute for Mathematics in the Sciences(马克斯·普朗克科学促进学会数学研究所)
本文综述了现代张量数值方法在多维稳态和时变偏微分方程中的应用,探讨了基于张量结构的低参数秩方法在求解高维积分和微分方程中的潜力,以3D非线性Hartree-Fock方程为例展示了其有效性。
2014-08-18 cs.NA math.NA
An Efficient Quasi-Newton Method with Tensor Product Implementation for Solving Quasi-Linear Elliptic Equations and Systems
针对拟线性椭圆方程与方程组求解效率问题,提出结合线性拉普拉斯与简化非线性项近似雅可比的拟牛顿法,经收敛分析与二维三维数值实验验证,可借助GPU张量积实现提升计算效率,支撑多领域复杂仿真。
2025-03-23 cs.NA math.NA
Solving rank structured Sylvester and Lyapunov equations
EPF Lausanne(洛桑联邦理工学院);Dipartimento di Matematica, Università di Bologna(博洛尼亚大学数学系);ISTI-CNR(意大利国家研究委员会信息科学与技术研究所)
本文针对中等和大规模秩结构数据下的Sylvester和Lyapunov方程高效求解问题,提出基于分层矩阵技术的新方法,并通过数值实验验证其有效性。
2018-08-22 cs.NA math.NA
Solving high-dimensional Fokker-Planck equation with functional hierarchical tensor
本研究提出将高维Fokker-Planck方程求解转化为基于粒子轨迹的独立密度估计任务的新视角,引入泛函分层张量(FHT)及基于草图的密度估计技术,实现随维度线性扩展的复杂度,成功求解含数百变量的含时Ginzburg-Landau模型。
2023-12-12 cs.NA math.NA
Tensor Networks for Solving Realistic Time-independent Boltzmann Neutron Transport Equation
提出混合TT/QTT方法求解稳态Boltzmann中子输运方程,在标准台式机上实现YB级存储压缩和超7500倍加速,且误差小于1e-5。
2023-09-13 cs.NA math.NA
Nearly Low Rank Tensors and Their Approximations
University of California San Diego(加州大学圣地亚哥分校)
本文研究了近低秩张量的近似问题,提出了一种新方法,通过线性关系、共同零点和线性最小二乘求解,实现低秩近似。
2014-12-23 cs.NA math.NA
Tensor Numerical Methods in Quantum Chemistry: from Hartree-Fock Energy to Excited States
Max-Planck-Institute for Mathematics in the Sciences(马克斯·普朗克科学促进学会数学研究所);Max-Planck-Institute for Dynamics of Complex Systems(马克斯·普朗克复杂动态系统研究所)
本文探讨了基于网格的张量数值方法在实空间电子结构计算中的应用,提出了一种基于低秩表示的3D Hartree-Fock本征值求解器,并介绍了张量方法在MP2能量修正和Bethe-Salpeter激发态计算中的应用。
2015-04-23 cs.NA math.NA
pETNNs: Partial Evolutionary Tensor Neural Networks for Solving Time-dependent Partial Differential Equations
Beijing International Center for Mathematical Research, Peking University(北京大学北京国际数学研究中心);Center for Quantitative Biology, Center for Machine Learning Research, Peking University(北京大学定量生物学中心、机器学习研究中心);Academy for Multidisciplinary Studies, Capital Normal University(首都师范大学跨学科学院);Beijing National Center for Applied Mathematics(北京应用数学中心)
pETNNs通过结合张量神经网络和进化参数近似,高效求解时变偏微分方程,尤其在高维问题中表现出色。
2025-12-05 cs.NA math.NA physics.comp-ph
Cost-efficient Gaussian Tensor Network Embeddings for Tensor-structured Inputs
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文讨论了具有张量网络结构的随机矩阵($S$)的张量网络嵌入。这些嵌入已被用于执行张量网络结构化输入$x$的降维,并加速诸如张量分解和核回归之类的应用。现有的工作已经为具有特定结构的输入$x$设计了嵌入,使得计算$Sx$的计算成本是有效的。我们提供了一种系统的方法来设计由高斯随机张量组成的张量网络嵌入,使得对于具有更一般的张量网络结构的输入,草图大小($S$的行大小)和草图计算成本都很低。我们分析了一般的张量网络嵌入,可以减少到一个序列的草图矩阵。我们提供了一个充分条件来量化这种嵌入的准确性,并推导出草图渐近成本下界使用嵌入,满足这个条件,并具有低于任何输入尺寸的草图大小。然后,我们提供了一个算法,有效地使用这样的嵌入草图输入数据。该算法中使用的嵌入的草图大小与输入的草图尺寸的数量呈线性关系。假设张量收缩与经典的稠密矩阵乘法算法进行,该算法实现的渐近成本的一个因素$O(\sqrt{m})$的成本下界,其中$m$是草图的大小。此外,当输入中的每个张量具有需要绘制的尺寸时,该算法产生最优的绘制渐近成本。我们将我们的草图分析不精确张量分解优化算法。我们提供了一个草图算法的CP分解,是渐近快于现有的工作在多个政权,并显示最优的张量训练舍入的现有算法。
2022-05-26 cs.DS cs.LG cs.NA
Solving for the low-rank tensor components of a scattering wave function
原子和分子的分裂反应,如多重电离,由驱动的薛定谔方程描述。这个方程相当于一个高维亥姆霍兹方程,它的解是从目标中出现的传出波。我们表明,这些波可以描述一个低秩近似。对于2D问题,它是两个低秩矩阵的矩阵乘积,对于3D问题,它是一个低秩张量分解。我们提出了一种迭代法,解决了,在一个交替的方式,这些低秩组件的散射波。我们用2D和3D的例子说明了该方法。
2022-03-21 cs.NA math.NA physics.atom-ph
Cross Interpolation for Solving High-Dimensional Dynamical Systems on Low-Rank Tucker and Tensor Train Manifolds
本文提出一种基于交叉插值的张量低秩时间积分算法,用于在 Tucker 和 Tensor Train 流形上高效求解高维非线性张量微分方程,兼具计算节省、小奇异值鲁棒性和易实现性。
2024-06-11 cs.NA math.NA
Tensor numerical method for optimal control problems constrained by an elliptic operator with general rank-structured coefficients
我们介绍张量数值技术解决椭圆算子约束的最优控制问题的$\mathbb{R}^d$,$d=2,3$,变系数,可以表示在一个低秩可分的形式。我们构造了一个预处理的迭代方法与自适应秩截断求解方程的控制函数,由椭圆算子和逆$M=A + A^{-1}$的总和,都离散在大$n^{\otimes d}$,$d=2,3$,空间网格。提出并分析了两种基本的解决方案。在第一种方法中,使用矩阵$M$迭代地求解初始线性方程组,使得通过使用用于形式为$A y=u$的方程的秩结构求解器,将与椭圆算子逆$y=A^{-1} u,$的矩阵向量乘法作为嵌入式迭代来执行。第二种数值格式通过将初始方程简化为具有$A^2 +I$形式的多项式系统矩阵的等价方程来避免嵌入式迭代。对于这两种方案,通过使用相应的矩阵值函数的各向异性拉普拉斯对角化的傅立叶基构造一个低Kronecker秩谱等价的预条件子。在二维设置控制问题的数值试验证实了线性二次复杂度缩放的单变量网格大小$n$的方法。此外,我们数值证明,对于我们的低秩的解决方案的方法,级联多重网格方法大大减少了PCG迭代的次数,但总的CPU时间仍然仅仅是相同的unigrid迭代。
2021-05-27 cs.NA math.NA
Fast structured matrix computations: tensor rank and Cohn--Umans method
University of Chicago(芝加哥大学)
本文探讨了扩展的科恩-乌曼斯方法在处理非矩阵乘法的双线性操作中的应用,通过张量秩方法和传统框架分析,提出快速构造结构矩阵向量积的算法。
2016-06-09 cs.NA math.NA math.RA
On the semigroup property for some structured iterations
National Cheng Kung University(国立成功大学);National Formosa University(国立虎尾科技大学)
本文研究了非线性矩阵方程的半群性质,并提出了一种能够实现任意收敛阶的求解技术,展示了该方法在多个经典方程中的应用能力。
2018-11-02 cs.NA math.NA
Parameter estimation and bifurcation analysis of stochastic models of gene regulatory networks: tensor-structured methods
University of Oxford(牛津大学);Czech Academy of Sciences(捷克科学院)
本文提出张量结构参数分析方法,用于研究随机生物化学网络模型的参数估计、鲁棒性、灵敏度及分支结构,通过张量结构方法高效计算参数空间内模型特性。
2015-03-15 cs.NA math.NA q-bio.MN
Solving the Fokker-Planck equation of discretized Dean-Kawasaki models with functional hierarchical tensor
Stanford University(斯坦福大学)
本文提出了一种基于功能化分层张量的方法,用于求解离散化德恩-卡瓦基模型的福克-普朗克方程,适用于在单纯形上的密度估计任务。
2026-02-05 cs.NA math.NA
Tensor-structured sketching for constrained least squares
约束最小二乘问题出现在许多应用中。在涉及高维输入数据的实践中,它们的存储器和计算成本是昂贵的。我们采用所谓的“草图”策略,通过一个随机的草图矩阵投影到一个更低的“草图维”的最小二乘问题的空间。草绘的核心思想是在保持近似精度的前提下尽可能地降低问题的维数。张量结构经常出现在最小二乘的数据矩阵中,包括线性化反问题和张量分解。在这项工作中,我们利用一般类的行张量次高斯矩阵作为草图矩阵的草图设计的兼容性与张量结构的约束优化。从误差准则和概率故障率两个方面为草图尺寸的确定提供了理论保证。在无约束线性回归的背景下,我们得到了草图尺寸的最优估计。对于一般约束集的最优化问题,我们表明,草图尺寸取决于统计复杂性,其特征的几何基础问题。我们的理论在几个具体的例子中得到了证明,包括无约束线性回归和稀疏恢复问题。
2021-09-03 cs.NA math.NA math.OC
Efficient High-Order Participation Factor Computation via Batch-Structured Tensor Contraction
本文提出基于张量收缩和动态批处理的高阶非线性参与因子计算方法,克服传统正规形方法在高阶计算中的高成本与内存限制,实现可扩展的高效计算。
2025-09-10 cs.NA cs.SY eess.SY
Solving high-dimensional nonlinear filtering problems using a tensor train decomposition method
本文提出了一种有效的解决高维非线性滤波(NLF)问题的数值方法。具体来说,我们使用张量训练分解方法来解决所产生的NLF问题的前向Kolmogorov方程(FKE)。我们的方法包括离线和在线阶段。在离线阶段,我们使用有限差分法离散的偏微分算子参与FKE和提取低维结构的解决方案空间中使用张量训练分解方法。此外,我们使用张量训练分解方法来近似FKE算子的演化。在在线阶段,使用预先计算的低秩近似张量,我们可以快速求解FKE给定的新的观测数据。因此,我们可以实时地解决NLF问题。在一些温和的假设下,我们提供了所提出的方法的收敛性分析。最后,我们提出的数值结果显示所提出的方法在解决高维NLF问题的效率和精度。
2019-08-12 cs.CE cs.NA cs.SY
Constructing structured tensor priors for Bayesian inverse problems
Delft University of Technology(代尔夫特理工大学)
本文为贝叶斯逆问题构建结构化张量先验,通过定义(A,b)约束张量并刻画其高斯分布,解锁了一类新先验,在矩阵补全和图像分类中验证了有效性。
2024-06-25 cs.LG cs.NA cs.SY
Cubic-quartic regularization models for solving polynomial subproblems in third-order tensor methods
本文提出CQR框架,通过序列局部三次-四次模型高效求解三阶张量方法中的非凸三次多项式子问题,给出全局最小化器的最优性条件并转化为可解割线方程,实现最优评估复杂度,数值实验表明在典型及病态子问题上具有竞争力。
2023-12-22 cs.NA math.NA math.OC
Solving high-dimensional parabolic PDEs using the tensor train format
Freie Universität Berlin(柏林自由大学);BTU Cottbus-Senftenberg(科特布斯-森夫滕贝格勃兰登堡工业大学);dida Datenschmiede GmbH(dida数据锻造有限公司);Technische Universität Berlin(柏林工业大学);Universität Potsdam(波茨坦大学)
高维偏微分方程在经济、科学和工程中普遍存在。然而,他们的数值处理带来了巨大的挑战,因为传统的基于网格的方法往往会受到维数灾难。在本文中,我们认为,张量列车提供了一个有吸引力的近似框架抛物偏微分方程:在向后随机微分方程和回归类型的方法在张量格式的重组相结合的承诺,利用潜在的低秩结构,使压缩和有效的计算。按照这种模式,我们开发新的迭代方案,涉及显式和快速或隐式和准确的更新。我们证明了在一些例子中,我们的方法实现了良好的平衡与国家的最先进的神经网络为基础的方法相比,准确性和计算效率。
2021-07-17 cs.LG cs.NA math.NA
Analysis of tensor methods for stochastic models of gene regulatory networks
张量结构参数分析(TPA)是近年来发展起来的一种用于模拟和分析基因调控网络随机行为的方法[Liao et.例如,2015年]。该方法采用Fokker-Planck近似的化学主方程,并使用量子张量训练(QTT)格式,作为一个低参数的张量结构表示的经典矩阵和向量,近似的高维稳态概率分布。本文从有效性和准确性方面对TPA的所有逼近步骤进行了详细的误差分析,包括建模误差、人工边界误差、离散化误差、张量舍入误差和代数误差。误差分析说明使用计算实例,包括死亡出生过程和50维异构化反应链。
2019-10-06 cs.NA math.NA q-bio.MN
Application of Structured Matrices for Solving Hartree-Fock Equations
本文提出利用 Toeplitz 和张量矩阵及规则有限元基求解 Hartree-Fock 方程,分析了计算复杂度与精度,并在现代计算机上验证了方法的有效性。
2023-06-27 cs.NA math-ph math.MP
When are Overcomplete Topic Models Identifiable? Uniqueness of Tensor Tucker Decompositions with Structured Sparsity
University of California, Irvine(加州大学欧文分校);Microsoft Research New England(微软新英格兰研究院)
本文研究了过完备主题模型在特定阶可观察矩下的可识别性,提出通过结构稀疏性约束实现张量Tucker分解的唯一性。
2013-08-13 cs.IR cs.LG cs.NA