Spectral Learning on Matrices and Tensors
Autori tejto monografie skúmajú nedávny pokrok v používaní spektrálnych metód vrátane techník maticového a tenzorového rozkladu na učenie mnohých populárnych modelov latentných premenných. Pri starostlivej implementácii môžu metódy založené na tenzoroch v praxi fungovať efektívne a v mnohých prípadoch sú to jediné algoritmy s preukázateľnými zárukami času behu a zložitosti vzorky.
Dôraz sa kladie na špeciálny typ tenzorového rozkladu nazývaný CP rozklad a autori sa zaoberajú širokou škálou algoritmov na nájdenie komponentov takéhoto tenzorového rozkladu. Diskutujú aj o užitočnosti tohto rozkladu prostredníctvom prehľadu niekoľkých pravdepodobnostných modelov, ktoré sa dajú naučiť pomocou takýchto tenzorových metód.
Druhá polovica monografie sa zaoberá praktickými aplikáciami. Patrí sem aj použitie Tensorly, efektívneho softvérového balíka pre tenzorovú algebru, ktorý má jednoduché pythonovské rozhranie na vyjadrenie tenzorových operácií. Má tiež flexibilný back-end systém podporujúci NumPy, PyTorch, TensorFlow a MXNet.
Spektrálne učenie na maticiach a tenzoroch poskytuje teoretický a praktický úvod do navrhovania a nasadzovania spektrálneho učenia na maticiach aj tenzoroch. Je zaujímavá pre všetkých študentov, výskumníkov a praktikov pracujúcich na moderných problémoch strojového učenia.