使用张量网络的语言，描述了一个用于完全正态映射的图形微积分，介绍了量子信息理论的开放量子系统和其他基本概念，特别是展示了如何构建张量网络来图形化地表示量子态演化的不同方式，并通过几个示例说明了该图形微积分的实用性。

Nov, 2011

这篇论文介绍了张量网络及其在机器学习中的应用，张量网络通过分解大规模数据矩阵来实现数据的近似表达与计算的降维，是一种常用的数据处理技术。

Jul, 2022

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

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

本文从信号处理角度提供了关于高阶张量分解的全面介绍，包括基本的 CP 和 Tucker 模型，通过多种数据处理方法提供更加灵活和自然的潜在因素；研究表明张量分解可用作现代信号处理、数据分析和机器学习应用的最有效和最有前途的工具。

Mar, 2014

提出了使用可视化简化技术的交互式可视化系统，并将其集成到开源的 DNN 可视化工具包 MindInsight 中，以帮助减少计算图的元素，增强识别和诊断 DNN 模型的性能。

Dec, 2022

本文从图形模型的角度综述了多学科的经验性统计学习，包括图形模型的常见例子，如贝叶斯网络、表示马尔科夫链的有向图和表示马尔科夫场的无向网络，并使用试板符号扩展来对数据分析和实证学习进行建模，提供了简化和操作问题的图形操作，包括分解、演变和来自指数族的概率模型的操作。文中还综述了两种标准的算法模式：Gibbs 采样和期望最大化算法，并使用这些操作和模式综述了一些流行的算法，包括线性回归、前馈网络的技术以及从数据学习高斯和离散贝叶斯网络。最后，本文概述了图形模型提供的框架来理解和开发复杂学习算法的一些含义。

Dec, 1994

该论文发展了一种广义的低秩张量分解（GCP），使其可以适用于二进制或计数数据，其中除了平方误差损失函数外，还可以使用逻辑损失或 Kullback-Leibler 散度损失函数，我们提供了基于统计动机的多种损失函数，为计算梯度和处理缺失数据提供了广义框架，从而可以使用标准优化方法来拟合模型，在社交网络，老鼠的神经活动和印度的月降雨数据等几个真实世界的例子中展示了 GCP 的灵活性。

Aug, 2018