Comb 张量网络与矩阵产品状态：在高维空间中的效率提升
机器学习
2024-12-11 v1 量子物理
摘要
现代方法通过张量网络对连续数据进行生成式建模时，会引入压缩层以捕获高维输入最有意义的特征。然而，这些方法依赖传统的矩阵产品状态（MPS）架构。本文展示了在数据维度和键维度超过特定阈值后，基于 comb 形状的张量网络架构可比标准 MPS 实现更高效的收缩。这一发现表明，对于连续和高维数据分布， transitioning 从 MPS 转向 comb 张量网络表示，可在保持精度的同时显著降低计算开销。
引用
@article{arxiv.2412.06857,
title = {Comb Tensor Networks vs. Matrix Product States: Enhanced Efficiency in High-Dimensional Spaces},
author = {Danylo Kolesnyk and Yelyzaveta Vodovozova},
journal= {arXiv preprint arXiv:2412.06857},
year = {2024}
}