作为监督学习分类器的数态保持张量网络
量子物理
2019-05-17 v1 机器学习
机器学习
摘要
我们提出一类由数态保持张量构成的受限张量网络态，用于监督学习任务。这类张量网络被认为是分类器的自然选择，因为（i）它们将经典数据映射到经典数据，从而在张量变换下保持数据的可解释性；（ii）它们可被高效训练以最大化其与经典数据集的标量积；（iii）在此任务中它们似乎与通用（无限制）张量网络同样强大。我们的提议使用多种基准分类问题予以演示，其中常用网络（包括 MPS、TTN 和 MERA）的数态保持版本被训练为高效分类器。本工作为诸如 MERA 等此前作为分类器计算上难以处理的强大张量网络方法用于图像识别等困难任务开辟了路径。
引用
@article{arxiv.1905.06352,
title = {Number-State Preserving Tensor Networks as Classifiers for Supervised Learning},
author = {Glen Evenbly},
journal= {arXiv preprint arXiv:1905.06352},
year = {2019}
}
备注
Main text: 12 pages, 9 figures. Appendices: 2 pages, 3 figures