我们提出了一种基于减少存储量直接张量环分解（RSDTR）的新型低秩 CNN 压缩方法，该方法具有更高的循环模排列灵活性，并以较大的参数和 FLOPS 压缩率为特点，同时保持压缩网络的良好分类准确性。与其他最先进的 CNN 压缩方法相比，对 CIFAR-10 和 ImageNet 数据集进行的实验证明了 RSDTR 的高效性。

本文提出了一种可扩展且具有鲁棒性的张量分解算法，能够处理大规模张量数据的缺失值和异常值。该算法通过自适应填充缺失值和识别异常值的新方法，结合张量环模型和快速 Gram 矩阵计算方法，降低了存储和计算复杂度。实验结果表明，该方法优于现有的张量分解方法，并且比强健张量完成算法运行速度更快。

该文介绍了一种可扩展且具有鲁棒性的张量分解算法，能够处理大规模张量数据的缺失值和异常值。该算法采用自适应填充缺失值和自加权最速下降方法，结合张量环模型、FGMC方法和随机子张量草图策略，大大降低了存储和计算复杂度。