Xi'an Jiaotong University（西安交通大学）

Towards Accurate and Interpretable Time-series Forecasting: A Polynomial Learning Approach

迈向准确且可解释的时间序列预测：多项式学习方法

Bo Liu, Shao-Bo Lin, Changmiao Wang, Xiaotong Liu

机构 * Center for Intelligent Decision-Making（智能决策中心） ； Machine Learning, School of Management, Xi'an Jiaotong University, Xi'an, China（机器学习，管理学院，西安交通大学，中国） ； The 39th Research Institute of China Electronics Technology Group Corporation, Xi'an, China（中国电子科技集团第三十九研究所，中国） ； Shenzhen Research Institute of Big Data, ShenZhen, China（深圳大数据研究院，中国） 纠错

AI总结 本文提出可解释的多项式学习方法，通过显式建模特征及其交互实现时间序列预测的高准确性和可解释性。

The power of small initialization in noisy low-tubal-rank tensor recovery

小初始化在噪声低管秩张量恢复中的作用

ZHiyu Liu, Haobo Geng, Xudong Wang, Yandong Tang, Zhi Han, Yao Wang

机构 * State Key Laboratory of Robotics and Intelligent Systems, Shenyang Institute of Automation, Chinese Academy of Sciences, China（机器人与智能系统国家重点实验室，沈阳自动化研究所，中国科学院，中国） ； University of Chinese Academy of Sciences, China（中国科学院大学，中国） ； School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（南洋理工大学电子与电气工程学院，新加坡） ； The Center for Intelligent Decision-making and Machine Learning, School of Management, Xi’an Jiaotong University, China（智能决策与机器学习中心，西安交通大学管理学院，中国） 纠错

AI总结 本文研究了在噪声环境下利用小初始化改进低管秩张量恢复的性能，证明了小初始化能实现接近最优的恢复误差，同时提供了理论保证和实验验证。

TenExp: Mixture-of-Experts-Based Tensor Decomposition Structure Search Framework

TenExp: 基于专家混合的张量分解结构搜索框架

Ting-Wei Zhou, Xi-Le Zhao, Sheng Liu, Wei-Hao Wu, Yu-Bang Zheng, Deyu Meng

机构 * School of Mathematical Sciences/Research Center for Image and Vision Computing, University of Electronic Science and Technology of China（数学科学学院/图像与视觉计算研究中心，电子科技大学） ； School of Information Science and Technology, Southwest Jiaotong University（信息科学与技术学院，西南交通大学） ； School of Mathematics and Statistics and Ministry of Education Key Lab of Intelligent Networks and Network Security, Xi’an Jiaotong University（数学与统计学学院及教育部智能网络与网络安全重点实验室，西安交通大学） ； Pazhou Laboratory (Huangpu), Guangzhou, Guangdong（琶洲实验室（黄埔），广州，广东） 纠错

AI总结 TenExp通过基于专家混合的方法，实现了张量分解结构的动态选择和混合，提升了张量分解的准确性和灵活性。

FAST: Topology-Aware Frequency-Domain Distribution Matching for Coreset Selection

FAST：面向拓扑的频率域分布匹配用于聚类选择

Jin Cui, Boran Zhao, Jiajun Xu, Jiaqi Guo, Shuo Guan, Pengju Ren

机构 * State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（人机混合增强智能国家重点实验室，人工智能与机器人研究院，西安交通大学） ； School of Software Engineering, State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（软件工程学院，人机混合增强智能国家重点实验室，人工智能与机器人研究院，西安交通大学） ； School of Mathematical Sciences, Nankai University（数学科学学院，南开大学） 纠错

AI总结 FAST是一种无深度神经网络的分布匹配聚类选择方法，通过频域特征函数距离和渐进不匹配感知采样策略，实现高效且准确的聚类选择。

Comments 20 pages, 17 figures