用于分类与回归的多尺度张量网络架构
机器学习
2020-01-24 v1 机器学习
量子物理
摘要
我们提出一种基于张量网络的有监督学习算法，其通过对数据依次进行小波变换粗粒化来实现预处理。我们将这些变换表示为一组与多尺度纠缠重整化拟设（MERA）张量网络相同的张量网络层，并通过对粗粒化数据作用的矩阵乘积态（MPS）张量网络模型执行有监督学习与回归任务。由于整个模型（除初始非线性特征映射外）由张量缩并构成，我们可将优化后的 MPS 模型沿各层自适应地反向细粒化，且性能几乎无损失。MPS 本身使用基于密度矩阵重整化群（DMRG）算法的自适应算法训练。我们通过音频数据分类任务与温度时间序列数据回归任务检验方法，研究了训练精度对粗粒化层数的依赖，并展示通过网络细粒化可用于初始化具有更精细尺度特征的模型。
引用
@article{arxiv.2001.08286,
title = {A Multi-Scale Tensor Network Architecture for Classification and Regression},
author = {Justin Reyes and Miles Stoudenmire},
journal= {arXiv preprint arXiv:2001.08286},
year = {2020}
}