چارچوبی برای انتخاب کارآمدتر رتبه در مدل‌های تانسوری

پژوهشگران در پیش‌چاپی در arXiv چارچوبی به نام GB-CPKM معرفی کرده‌اند که هدفش کاهش هزینهٔ محاسباتی انتخاب رتبه در ماشین‌های کرنل شبکهٔ تانسوری (TNKM) است. روش‌های متداول برای یافتن رتبهٔ مناسب، چندین مدل نامزد را آموزش می‌دهند؛ کاری که می‌تواند زمان و منابع بیشتری مصرف کند.

GB-CPKM بر پارامتردهی CP تکیه دارد و با رویکردی مبتنی بر gradient boosting، یادگیرنده‌های ثابت‌رتبه را به‌صورت پیاپی اضافه می‌کند تا ظرفیت مدل افزایش یابد. در این روش، تعداد یادگیرنده‌ها بر اساس عملکرد اعتبارسنجی انتخاب می‌شود، نه از راه جست‌وجوی صریح میان رتبه‌های مختلف.

در آزمایش‌هایی روی مجموعه‌داده‌های واقعیِ رگرسیون، پژوهشگران گزارش کرده‌اند که GB-CPKM در مقایسه با روش متداول انتخاب رتبه مبتنی بر cross-validation، تا ۶ برابر سریع‌تر آموزش می‌بیند و اوج مصرف حافظه‌اش تا ۲ برابر کمتر است؛ در عین حال، عملکرد پیش‌بینی آن قابل‌مقایسه باقی می‌ماند. این نتایج مربوط به یک پیش‌چاپ است و منبع، جزئیات بیشتری از مجموعه‌داده‌ها یا میزان بهبود در هر آزمایش ارائه نمی‌کند.