محققان در مقالهای جدید، روشهای کلاسیک برای یافتن زیرماتریسهای متراکم در دادههای پیچیده را ارتقا دادند. برخلاف مدلهای قدیمی که فقط یک بخش متراکم را در نویز شناسایی میکردند، این رویکرد جدید میتواند چندین زیرماتریس متراکم را در شبکههای پیچیده (مانند دادههای دنیای واقعی) با دقت بسیار بالا و در زمان چندجملهای پیدا کند.
این دستاورد گام مهمی در بهینهسازی ترکیبی و تحلیل شبکههای عصبی و ساختارهای گرافیکی است که میتواند در تحلیل دادههای کلان بسیار کاربردی باشد. 📊💡
سازی
منبع: arXiv Machine Learning



