Yapay zeka ve veri bilimi alanında önemli bir gelişme kaydedildi. Araştırmacılar, eksik veriler içeren çok boyutlu dizileri (tensörleri) tamamlamak için geliştirilen mevcut yöntemlerin hesaplama maliyeti sorununu çözen yeni bir algoritma sundu.
Tensör tamamlama problemi, günlük hayatta sıkça karşılaştığımız bir durumdur. Örneğin, bozuk pikselleri olan bir fotoğrafı onarmak, eksik sensör verilerini tahmin etmek veya kesintili video kayıtlarını düzeltmek gibi durumlar tensör tamamlama gerektiren tipik örneklerdir.
Daha önce geliştirilen Evrişimsel Nükleer Norm Minimizasyonu (CNNM) yöntemi bu alanda umut verici sonuçlar göstermişti, ancak hesaplama sürecinde Tekil Değer Ayrıştırması (SVD) adı verilen karmaşık matematik işlemlerini tekrar tekrar yapması gerekiyordu. Bu durum, algoritmanın hem yavaş çalışmasına hem de paralel işleme uygun olmamasına neden oluyordu.
Yeni geliştirilen Tümevarımsal Evrişimsel Nükleer Norm Minimizasyonu (ICNNM) algoritması, önceden öğrenilmiş evrişim özvektörlerini kullanarak bu sorunu çözüyor. Farklı tensörler arasında paylaşılan bu özvektörler sayesinde, zaman alıcı SVD adımları atlanabiliyor ve hesaplama süresi önemli ölçüde azaltılıyor.
Algoritmanın bir diğer avantajı ise önceden öğrenilmiş özvektörlerde kodlanan ek bilgi sayesinde daha iyi performans göstermesidir. Bu gelişme, veri bilimi ve yapay zeka uygulamalarında eksik verilerle çalışmayı daha verimli hale getirebilir.