SMT-AD：一种可扩展的量子启发式异常检测方法
机器学习
2026-04-09 v1 统计力学
量子物理
摘要
量子启发张量网络算法已被证明是机器学习的有效高效模型，包括异常检测。在这里，我们提出了一种高度可并行的量子启发方法，称为 SMT-AD，即用于异常检测的多分辨率张量超位置。它基于键维数为 1 的矩阵乘积算符的超位置，通过傅里叶辅助特征嵌入转换输入数据，其中可学习参数的数量随特征大小、嵌入分辨率和矩阵乘积算符结构中的附加组件数量线性增长。我们在标准数据集（包括信用卡交易）上展示了成功的异常检测，发现即使在最小配置下，它也能与已建立的异常检测基线竞争。此外，它提供了一种直接减少模型权重甚至通过突出最相关输入特征来提高性能的方法。
引用
@article{arxiv.2604.06265,
title = {SMT-AD: a scalable quantum-inspired anomaly detection approach},
author = {Apimuk Sornsaeng and Si Min Chan and Wenxuan Zhang and Swee Liang Wong and Joshua Lim and Dario Poletti},
journal= {arXiv preprint arXiv:2604.06265},
year = {2026}
}
备注
11 pages, 5 figures