本文探讨了基本的张量网络模型和相关算法,尤其是使用新的数学和图形表示的张量列车(TT)分解。通过张量化和使用量子化张量列车网络实现数据的超级压缩,对大规模数据优化问题进行了分布式表示,并通过优化迭代和近似张量缩并的方式,应用小型矩阵和张量运算来解决一系列难以用经典数值方法解决的问题,例如广义特征值分解,主成分分析 / 奇异值分解和规范相关分析。
Jul, 2014
该研究论文综述了六种张量分解方法及其在神经网络中的应用,说明使用这些方法可以明显地减少模型的大小,运行时间和能耗,在边缘设备上实现神经网络时效果显著。
Apr, 2023
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
本研究主要介绍了张量网络、张量分解、多元分析,低秩逼近以及大数据分析等多个方面,并讨论了其在异常检测、特征提取、分类、聚类分析、数据融合和集成、模式识别、预测建模、回归、时间序列分析和多元分析等领域中的潜在应用。
Mar, 2014
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
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
本文概述了张量网络状态和方法在物理、量子信息学、人工智能等科学领域中的应用,并简要介绍了相关概念和发展,包括张量网络结构、算法、全局和规范对称性、费米子、拓扑序、相分类、纠缠哈密顿量、AdS / CFT、二维 Hubbard 模型、二维量子反铁磁体、共形场论、量子化学、无序系统和多体定位等。
Dec, 2018
用张量网络作为数学工具,基于量子信息和多体物理等理论实现了机器学习,提高了可解释性和效率,并预示了将来发展的 “量子人工智能” 方向。
Nov, 2023