Apprendimento spettrale su matrici e tensori

Titolo originale:

Spectral Learning on Matrices and Tensors

Contenuto del libro:

Gli autori di questa monografia esaminano i recenti progressi nell'uso di metodi spettrali, comprese le tecniche di decomposizione matriciale e tensoriale, per apprendere molti modelli di variabili latenti popolari. Con un'attenta implementazione, i metodi basati sui tensori possono funzionare in modo efficiente nella pratica e in molti casi sono gli unici algoritmi con garanzie dimostrabili sul tempo di esecuzione e sulla complessità campionaria.

L'attenzione si concentra su un tipo speciale di decomposizione tensoriale, chiamata decomposizione CP, e gli autori coprono un'ampia gamma di algoritmi per trovare le componenti di tale decomposizione tensoriale. Discutono inoltre l'utilità di questa decomposizione esaminando diversi modelli probabilistici che possono essere appresi utilizzando tali metodi tensoriali.

La seconda metà della monografia è dedicata alle applicazioni pratiche. Tra queste vi è l'utilizzo di Tensorly, un efficiente pacchetto software di algebra tensoriale, che dispone di una semplice interfaccia python per esprimere le operazioni tensoriali. Dispone inoltre di un sistema back-end flessibile che supporta NumPy, PyTorch, TensorFlow e MXNet.

Spectral Learning on Matrices and Tensors” fornisce un'introduzione teorica e pratica alla progettazione e all'implementazione dell'apprendimento spettrale su matrici e tensori. È interessante per tutti gli studenti, i ricercatori e i professionisti che lavorano su problemi di apprendimento automatico di oggi.