TensorSSM: Tensör Sıkıştırmada Mekansal Hafıza

Yüksek boyutlu tensörleri (çok boyutlu dizileri) saklamak gerçek dünyada ciddi depolama sorununa yol açıyor. TensorSSM adlı yeni yöntem, bu sorunu çözmek için sinir ağlarını kullanarak tensör elemanlarının koordinatlarını doğrudan temel bileşenlere eşlemeyi öğreniyor, bu da depolama gereksinimini keskin şekilde düşürüyor.

Mevcut fonksiyonel ayrıştırma (functional decomposition) yöntemleri genellikle çok boyutlu tensörleri tek boyutlu dizilere düzleştiriyor. Bu işlem, koordinat dizilerinin büyük ölçüde çakışmasına ve mod arası (cross-mode) mekansal ilişkilerin kaybedilmesine neden oluyor. TensorSSM bunun yerine State Space Model (SSM) adlı dinamik bir yapı içinde mekansal konumları "hatırlıyor".

Yöntemin kilit özelliği, mod bazlı koordinatları K-ary kuralıyla ayırarak kaba taneli (coarse) bilgiden ince taneli (fine) bilgiye doğru kodlaması. Bu sayede tensörün karmaşık uzamsal yapısını daha iyi yakalaması mümkün hale geliyor. Pratik olarak, bu demek oluyor ki farklı veri türlerinde daha yüksek sıkıştırma oranları ve daha düşük bilgi kaybı.

TensorSSM, görüntü, video, bilimsel simülasyon ve diğer yüksek boyutlu veri uygulamalarında depolama ek yükünü önemli ölçüde azaltabilir. Eğer sen büyük tensör verisiyle çalışıyorsan ve model boyutunu düşürmek istiyorsan, bu tür Implicit Neural Representation (INR) yöntemleri giderek daha pratik hale geliyor.