近日，我院李恒超教授团队研究成果“A Structure-Revealing Tensor Network Paradigm and Its Applications”被国际顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence (IEEE TPAMI，模式识别和机器学习领域最具影响力的学术期刊之一，最新影响因子20.4) 录用。学院郑玉棒副教授为论文第一作者，李恒超教授和电子科技大学赵熙乐教授为通讯作者，西南交通大学为论文第一署名单位，合作单位包括电子科技大学、内蒙古大学和日本理化学研究所。
张量网络分解是机器学习、计算机视觉和信号处理领域的重要建模工具。然而，现有方法通常采用预先设定的链式、环式或全连接拓扑，难以适应不同数据的内在结构。已有张量网络结构搜索方法虽然能够调整网络结构，但大多依赖“结构采样—性能评估”框架，需要生成大量候选结构并逐一评估，计算开销较大，难以扩展至大规模实际任务。
为此，李恒超教授团队首次构建了结构自演化张量网络表示范式。该范式突破传统张量网络结构搜索所依赖的“结构采样—性能评估”框架，从能量函数建模视角重塑张量网络结构学习机制。具体地，通过在张量网络因子之间嵌入对角矩阵，建立奇异值分解启发的张量网络分解，并构造耦合数据表示误差与网络结构复杂度的统一能量函数，使网络结构与因子表示协同演化，并从数据中自适应学习简约的张量网络结构。与现有先进结构搜索方法相比，所提方法在保持数据表示能力的同时，实现了100至1000倍的计算加速。
结构自演化的张量网络分解示意图及不同方法的性能比较
进一步地，团队将该方法应用于神经网络压缩、多时相遥感图像去云和张量鲁棒主成分分析等任务，均取得了优异性能，展现出良好的跨任务适用性。编辑高度评价该项研究，认为其是张量网络结构搜索领域一项具有显著意义和实际应用价值的重要进展。
高光谱图像分类网络压缩的性能比较与可视化结果
论文链接：https://ieeexplore.ieee.org/document/11699103