MARS: Masked Automatic Ranks Selection in Tensor Decompositions

M. Kodryan; D. Kropotov; D. Vetrov

Публикации

?

MARS: Masked Automatic Ranks Selection in Tensor Decompositions

P. 3718–3732.

Кодрян М. С., Кропотов Д. А., Ветров Д. П.

Язык: английский

Текст на другом сайте

Ключевые слова: tensor decomposition Bayesian learning tensor rank neural network compression

В книге

Proceedings of The 26th International Conference on Artificial Intelligence and Statistics (AISTATS 2023), Volume 206

Vol. 206. , Valencia: PMLR, 2023.

ProcrustesGPT: Compressing LLMs with Structured Matrices and Orthogonal Transformations

Гришина Е. Р., Горбунов М. А., Рахуба М. В., , in: Findings of the Association for Computational Linguistics: ACL 2025.: Association for Computational Linguistics, 2025. P. 26937–26949.

Добавлено: 4 сентября 2025 г.

MARS: Masked Automatic Ranks Selection in Tensor Decompositions

Кодрян М. С., Кропотов Д. А., Ветров Д. П., / Series QTNML 2020 "First Workshop on Quantum Tensor Networks in Machine Learning, NeurIPS 2020". 2020.

Добавлено: 5 февраля 2021 г.

Counterexamples to Strassen's direct sum conjecture

Шитов Я. Н., Acta Mathematica 2019 Vol. 222 No. 2 P. 363–379

Добавлено: 22 ноября 2020 г.

Dense families of modular curves, prime numbers and uniform symmetric tensor rank of multiplication in certain finite fields

Зыкин А. И., Ballet S., Designs, Codes and Cryptography 2019 Vol. 87 P. 517–525

Добавлено: 12 мая 2020 г.

Subspace Inference for Bayesian Deep Learning

Ветров Д. П., Izmailov P., Maddox W. и др., , in: Proceedings of the 35th Uncertainty in Artificial Intelligence Conference (UAI-2019).: [б.и.], 2019. P. 1–11.

Добавлено: 14 января 2020 г.

Fast and modular regularized topic modelling 21st Conference of Open Innovations Association, FRUCT 2017; Helsinki; Finland; 6 November 2017 до 10 November 2017; Номер категорииCFP1767Z-ART; Код 134240

Воронцов К. В., Kochedykov D., Apishev M. и др., IEEE Computer Society, 2017.

Topic modelling is an area of text mining that has been actively developed in the last 15 years. A probabilistic topic model extracts a set of hidden topics from a collection of text documents. It defines each topic by a probability distribution over words and describes each document with a probability distribution over topics. In ...

Добавлено: 6 декабря 2019 г.

Advanced Planning of Home Appliances with Consumer’s Preference Learning

Bazenkov N., Goubko M., , in: Proceedings 16th Russian Conference on Artificial Intelligence (RCAI 2018)Issue 934.: Cham: Springer, 2018.

Добавлено: 2 декабря 2019 г.

Compression of recurrent neural networks for efficient language modeling

Грачев А. М., Игнатов Д. И., Савченко А. В., Applied Soft Computing Journal 2019 Vol. 79 P. 354–362

Добавлено: 12 июня 2019 г.

On the rank of a Latin tensor

Шитов Я. Н., Linear Algebra and its Applications 2018 Vol. 544 P. 299–305

Добавлено: 30 января 2019 г.

Scalable Gaussian Processes with Billions of Inducing Inputs via Tensor Train Decomposition

Izmailov P., Новиков А. В., Кропотов Д. А., , in: Proceedings of Machine Learning Research. Proceedings of The International Conference on Artificial Intelligence and Statistics (AISTATS 2018).: [б.и.], 2018. P. 726–735.

Добавлено: 10 декабря 2018 г.

A Counterexample to Comon's Conjecture

Шитов Я. Н., SIAM Journal on Applied Algebra and Geometry 2018 Vol. 2 No. 3 P. 428–443

The rank and symmetric rank of a symmetric tensor may differ. ...

Добавлено: 26 сентября 2018 г.

Expressive power of recurrent neural networks

Khrulkov V., Новиков А. В., Oseledets I., , in: Proceedings of the 6th International Conference on Learning Representations (ICLR 2018).: [б.и.], 2018. P. 1–12.

Добавлено: 4 февраля 2018 г.

Scalable Gaussian Processes with Billions of Inducing Inputs via Tensor Train Decomposition

Izmailov P., Новиков А. В., Kroptov D., / Series arXiv "math". 2017.

Добавлено: 20 октября 2017 г.

Compressing deep convolutional neural networks in visual emotion recognition

A. G. Rassadin, A. V. Savchenko, , in: CEUR Workshop ProceedingsVol. 1901: Proceedings of the International conference Information Technology and Nanotechnology. Session Image Processing, Geoinformation Technology and Information Security.: CEUR-WS, 2017. P. 207–213.

Добавлено: 17 октября 2017 г.

Bayesian Learning of Consumer Preferences for Residential Demand Response

Губко М. В., Кузнецов С. О., Незнанов А. А. и др., IFAC-PapersOnLine 2016 Vol. 49 No. 32 P. 24–29

Статья посвящена моделированию поведения пользователя хлебопечки как устройства умного дома. На основании реальных цен на электричество и симуляции поведения пользователя требуется предложить математическую модель и алгоритм машинного обучения для оптимального по соотношению цен и полезности для пользователя автоматического запуска устройства. Мы предлагаем Баейсовский алгоритм машинного обучения для обучения предпочтениям пользователя с учетом предудыщих запусков. В ...

Добавлено: 24 января 2017 г.

Exponential machines

Новиков А. В., Trofimov M., Oseledets I., / Series stat :: arxiv :: Cornell University "stat :: arxiv :: Cornell University". 2017.

Добавлено: 19 сентября 2016 г.