基于量子兼容离散深度生成模型的航空数据异常检测
机器学习
2023-03-23 v1
摘要
深度生成学习不仅可用于生成具有输入数据派生统计特征的新数据，还可基于重构质量分离正常与异常样本以用于异常检测。本文探讨了三种无监督深度生成模型——具有高斯、伯努利和玻尔兹曼先验的变分自编码器（VAEs）——在由多变量时间序列组成的商业航班飞行运行数据异常检测中的性能。我们设计了两种具有离散潜变量（DVAEs）的VAE模型，一种采用因子化伯努利先验，另一种采用受限玻尔兹曼机（RBM）作为先验，这是由于机器学习应用中对离散变量模型的需求，以及基于两能级量子系统的量子器件集成需要此类模型。采用相对简单——且可在经典或量子力学上增强——的采样技术来演化RBM负相的RBM先验DVAE，性能优于伯努利DVAE，并与具有连续潜空间的高斯模型相当。我们的研究证明了离散深度生成模型在异常检测任务中与其高斯对应模型的竞争力。此外，RBM先验的DVAE模型可通过将其生成过程外包给来自量子退火器或门模型器件的量子态测量，轻松与量子采样集成。
引用
@article{arxiv.2303.12302,
title = {Anomaly Detection in Aeronautics Data with Quantum-compatible Discrete Deep Generative Model},
author = {Thomas Templin and Milad Memarzadeh and Walter Vinci and P. Aaron Lott and Ata Akbari Asanjan and Anthony Alexiades Armenakas and Eleanor Rieffel},
journal= {arXiv preprint arXiv:2303.12302},
year = {2023}
}
备注
25 pages, 7 figures, 3 tables, appendix, supplementary material