树张量网络用于生成建模
本文探讨张量网络与深度学习之间的数学联系,使用通过多尺度纠缠重整方法派生的训练算法训练二维分层张量网络完成图像识别问题,并研究了张量网络的量子特性,包括量子纠缠和保真度,并发现这些量子特性可以作为图像类别以及机器学习任务的表征。
Oct, 2017
本文研究了张量网络在语言建模中的应用,通过对模拟 Motzkin 自旋链的问题进行抽象,发现张量模型具有接近完美的分类能力,并在训练样本减少时保持稳定的性能水平。
Jan, 2024
本文介绍如何将带有 CP 秩约束和张量丢弃功能的树张量网络应用于机器学习中,该方法在 Fashion-MNIST 图像分类中优于其他基于张量网络的方法,且分类器的参数数量可以减少并更灵活地进行控制。
May, 2023
本文展示了张量网络如何帮助发展可解释的机器学习算法,通过基于矩阵乘积态(MPS)的无监督聚类算法在对手生成的威胁情报实际应用中证明 MPS 在性能上能与传统的深度学习模型如自编码器和生成对抗网络相媲美,同时提供更丰富的模型可解释性,我 们的方法自然地促进了特征概率、Von Neumann 熵和互信息的提取,为异常分类提供出色剧情并促进了无法理解人工智能决策背后的原理的前所未有的透明性和可解释性。
Dec, 2023
本文提出了一种以基础张量网络操作 (例如求和和压缩) 为特征的训练模型算法,主要应用于机器学习中的 MNIST 数据集,结果表明该算法具有合理的生成新图像和分类任务的能力,并解释其作为压缩量子核密度估计的算法实现。
Jun, 2023
通过创造物理系统的 3D 多体点云,我们提出了一种新型的基于等变矩阵乘积态 (MPS) 的消息传递策略,有效地建模复杂的多体关系并捕捉了几何图中的对称性,超越了现有的几何图神经网络的平均场近似,并在预测经典牛顿系统和量子张量哈密顿矩阵等基准任务上验证了其卓越的准确性,堪称参数化几何张量网络的创新应用。
Jan, 2024
我们引入了一种能够学习含有连续随机变量的分布的新型张量网络生成模型,首先在矩阵乘积态的背景下推导出通用表达能力定理,证明了该模型家族能够以任意精度逼近任何充分平滑的概率密度函数;然后在几个合成和真实世界数据集上对该模型的性能进行基准测试,发现该模型在连续和离散变量的分布上学习和泛化良好;我们还开发了建模不同数据领域的方法,并引入了一个可训练的压缩层,发现在有限的内存或计算资源下,该层能够提高模型的性能。总体而言,我们的方法为量子启发式方法在生成学习这个快速发展领域的有效性提供了重要的理论和实证证据。
Oct, 2023
本文探讨了将矩阵乘积状态作为一维张量数组用于分类经典和量子数据的能力,对传统机器学习数据集 Iris 进行了二元分类,并进一步通过考虑探讨不同参数来证明 MPS 电路可用于获得更好的准确性,实验了 MPS 量子分类器的学习能力,用于对北旁遮普邦(印度)Patiala 气象站的蒸发散进行分类,并使用不同的分类性能度量对其能力进行了测量,并展示了其各项值的一致性程度。
May, 2019
本文提出一种基于张量网络的量子计算方法,用于解决当前在量子计算中机器学习所面临的挑战。在此方法下,经典计算和量子计算可共享同样的理论和算法基础,且张量网络电路在量子计算机模型的训练中具有高效节省的优势,并通过对手写识别模型的数值实验验证了其可行性。
Mar, 2018