
본 논문은 텐서 데이터의 Tucker 분해 시 다중선형 랭크를 직접적으로 최소화하는 새로운 문제 정식화를 제안한다. 이를 통해 기존 방식의 한계를 극복하고 더 정확한 다중선형 랭크 추정과 효과적인 텐서 신호 복원을 달성한다.


coremsg

저차원-텐서-코어-학습을-위한-직접적인-다중선형-랭크-학습-접근법-트레이스-노름-최소화-재고찰


저차원 텐서 코어 학습을 위한 직접적인 다중선형 랭크 학습 접근법: 트레이스 노름 최소화 재고찰


title_rewrite


Heterogeneity among factor tensors in tensor decomposition significantly hinders the tensor fusion process and limits the performance of temporal knowledge graph embedding models. Mapping factor tensors onto a unified Lie group manifold can mitigate this heterogeneity and enhance the tensor decomposition based temporal knowledge graph embedding.


mitigating-heterogeneity-in-factor-tensors-for-improved-temporal-knowledge-graph-embedding


Mitigating Heterogeneity in Factor Tensors for Improved Temporal Knowledge Graph Embedding
