基于张量网络的异常检测
机器学习
2020-06-18 v2 量子物理
机器学习
摘要
张量网络起源于凝聚态物理，是高维张量的紧凑表示。在本文中，张量网络的能力在单类异常检测这一特定任务上得到展示。我们利用张量网络的存储与计算效率，来学习一个在维度上随原始特征数量呈指数增长的空间上的线性变换。我们模型的线性使其能够通过以 Frobenius 范数惩罚模型预测正常性的全局倾向，从而确保对训练样本周围的紧密拟合——这对大多数深度学习模型而言是不可行的。我们的方法在表格数据集上优于深度与经典算法，并在图像数据集上取得了有竞争力的结果，尽管未利用图像的局部性。
引用
@article{arxiv.2006.02516,
title = {Anomaly Detection with Tensor Networks},
author = {Jinhui Wang and Chase Roberts and Guifre Vidal and Stefan Leichenauer},
journal= {arXiv preprint arXiv:2006.02516},
year = {2020}
}