Hyperparameter Learning for Latent Factorization of Tensors for Representation Learning to Large-scale Dynamic Weighted Directed Network

En 3 lignesCadre d'optimisation automatique des hyperparamètres basé sur l'évolution différentielle (DE) pour la factorisation tensorielle latente (LFT) appliquée aux réseaux dynamiques pondérés dirigés. La méthode apprend automatiquement les paramètres de régularisation λ₁, λ₂, λ₃ pendant l'entraînement, réduisant le besoin d'ajustement manuel. Tests sur 4 datasets réels montrent MAE et RMSE inférieurs aux baselines.

Résumé généré par Claude — vérifié par l'humain