ReLATE: Lernbasierte Sparse-Encoding-Optimierung für Tensor-Dekomposition

Tensor‑Decomposition (TD) ist unverzichtbar für die Analyse hochdimensionaler, spärlicher Daten, doch die unregelmäßigen Berechnungen und Speicherzugriffe stellen moderne Parallelprozessoren vor große Leistungsprobleme.

Frühere Ansätze setzen auf von Experten entworfene Sparse‑Tensor‑Formate, die sich jedoch nicht flexibel an unterschiedliche Tensorformen oder stark variierende Datenverteilungen anpassen können.

ReLATE (Reinforcement‑Learned Adaptive Tensor Encoding) ist ein neuartiges, lernbasiertes Verfahren, das ohne gelabelte Trainingsdaten effiziente Sparse‑Tensor‑Repräsentationen selbstständig erstellt. Ein autonomer Agent erkundet die TD‑Umgebung und nutzt einen hybriden, modellfreien und modellbasierten Algorithmus, um aus realen und imaginären Aktionen zu lernen.

Durch regelbasierte Aktionsmaskierung und dynamikinformierte Aktionsfilterung garantiert ReLATE funktional korrekte Encodings mit begrenzter Ausführungszeit, selbst in frühen Lernphasen.

ReLATE passt sich automatisch sowohl an unregelmäßige Tensorformen als auch an variable Datenverteilungen an und erzeugt Sparse‑Tensor‑Darstellungen, die über Experten‑Formate hinausgehen. In diversen Datensätzen erzielt es bis zu 2‑fach schnellere Laufzeiten und einen geometrischen Mittelwert von 1,4 bis 1,46‑facher Beschleunigung gegenüber dem besten bestehenden Format.