本研究探讨了如何使用张量网络来优化矩阵积态，以用于分类图像的模型参数化，且在 MNIST 数据集上取得了不到 1% 的测试集分类误差。此外，我们讨论了张量网络形式如何为学习模型提供附加结构，并提出了可能的生成性解释。

May, 2016

本文介绍了如何使用张量分解学习单层嘈杂或网络的方法，并解决了存在系统性误差时如何对张量分解进行分析的问题，这一方法在其他设置中可能有用。

Dec, 2016

本文介绍了张量网络及其运算的简介并侧重于介绍用于数据/参数的超压缩高阶表示的张量网络模型及其应用， 包括支持张量机、求广义特征值、深度神经网络等优化问题的张量分解方法，如张量列车和分层 Tuck 分解，并通过图形方法以及基于核张量的低秩张量近似来解释张量网络是如何能够在大量数据上执行分布式计算的。

Aug, 2017

本文将全面介绍张量（Tensors）的概念和分解方法，并探讨它们在机器学习中的应用，特别是在无监督学习和多关系数据分析等领域的优越性，同时结合实例研究了张量估计混合模型的基本方法，并提供了相关软件类库的参考。

Nov, 2017

本论文介绍了一种树张量网络(TTN)，并将其应用于基于生成式建模的自然图像数据集以提高其可解释性，在 MNIST 数据集的表现中也获得更好的对数似然度得分。

Jan, 2019

通过对数据进行一系列的小波变换，提出一种使用张量网络进行监督学习的算法，其中使用了矩阵乘积状态来处理粗粒化的数据，并使用基于密度矩阵重整化群算法的自适应算法来训练 MPS。

Jan, 2020

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

描述了TensorKrowch Python库的主要功能和基本用法，并提供了有关其构建块和优化的技术细节，以便将张量网络轻松集成到机器学习管道中。

Jun, 2023

TENSORCODEC是一种用于一般张量的有损压缩算法，通过将神经张量列车分解与Tensor-Train分解相结合，将输入张量折叠成更高阶的张量，重新排序输入张量的模索以揭示可供NTTD利用的模式，实验结果表明TENSORCODEC在压缩效率、重建准确性和可扩展性方面具有优势。

Sep, 2023

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