支持张量环核模型的双阶段加速方法及其在高维分类中的应用研究

《Pattern Recognition》:No-Reference Dehazed Image Quality Assessment via Perception-Driven Interactive Feature Representation Learning

【字体: 大 中 小 】 时间:2026年01月16日 来源:Pattern Recognition 7.6

编辑推荐:

  本文提出了一种创新的支持张量环核模型(STRKM),通过将张量环(TR)分解与核学习相结合,有效解决了高维数据分类中结构信息保留和计算效率的难题。研究还设计了双阶段加速方法(Dual-STRKM):在分解阶段采用快速TR-SVD算法,在优化阶段引入基于对偶间隙的安全筛选规则。实验证明该方法在保持分类精度的同时显著提升了计算效率,为医疗影像等高维数据处理提供了新思路。

  
章节亮点
支持张量环核机器与素描加速
本节展示了带有素描加速的STRKM模型,包含两大创新:(1)输入张量的高效TR近似;(2)基于TR表示构建核映射。就像给高维数据做了个"智能压缩",既保留关键特征又提升处理速度。
STRKM的安全筛选规则
完成张量分解加速后,我们设计了优化策略来提升求解效率。这好比在训练过程中安装了一个"智能过滤器",能够动态识别并剔除冗余样本,让模型训练轻装上阵。
计算复杂度分析
算法包含三大模块:数据TR分解、TR数据的核操作以及模型优化。具体来说:
  • •
    TR分解阶段:对维度为I1×I2×···×IL的M个张量样本,计算成本主要来自扁平化矩阵的低秩近似。
  • •
    对于X∈RI×J(I<J),标准SVD复杂度为O(I2J)。
数值实验
通过数值实验评估Dual-STRKM性能,并进行消融研究验证各模块有效性。同时分析了核映射配置和参数敏感性,就像给模型做了一次"全面体检",确保每个组件都发挥最佳效能。
结论
本文提出的STRKM模型显著提升了分类性能。其双阶段加速方法Dual-STRKM实现了从张量分解到模型优化的全流程加速:第一阶段通过素描TR-SVD加速分解,第二阶段利用安全筛选规则动态过滤冗余样本。这为处理医疗影像等高维数据提供了新的技术路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号