用连续谱空间建模时间周期，提升高维不完整张量补全效果。
Spectra-Guided Neural Tucker Factorization
- 将时间戳映射到连续谱空间，捕捉隐含周期性模式。
- 通过时空共门控机制，动态过滤无关交互，提升建模精度。
- 参数高效，在真实数据上表现优异，适合时序张量补全场景。
本文提出Spectra-Guided Neural Tucker Factorization（SG-NTF）用于高维不完整（HDI）张量补全。突破离散表示限制，SG-NTF将标量时间戳映射至连续谱空间，以抽象时间周期性。同时，引入时空共门控（STCG）机制，通过乘性调制显式过滤潜在的时空交互。在真实世界HDI张量上的实验验证表明，SG-NTF在保持参数效率的同时，具备竞争力的补全精度。
原文摘要 · Abstract (English)
This paper proposes Spectra-Guided Neural Tucker Factorization (SG-NTF) for High-Dimensional and Incomplete (HDI) tensor completion. Circumventing discrete representational limits, SG-NTF maps scalar timestamps into a continuous spectral space to abstract temporal periodicities. Concurrently, a Spatio-Temporal Co-Gating (STCG) mechanism explicitly filters latent interactions via multiplicative modulation on spatiotemporal contexts. Evaluations on real-world HDI tensors verify that SG-NTF maintains competitive completion accuracy with parameter efficiency.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。