基于张量网络机器学习与量子纠缠变化的无监督信息特征识别
量子物理
2022-10-18 v2 强关联电子
机器学习
数据分析、统计与概率
摘要
给定黑板上画的一只白鞋的图像，为何（例如人脑）会认为白色像素对识别鞋具有信息性，而像素无任何标注信息？本文从张量网络（TN）机器学习与量子纠缠的视角研究此类“白鞋”识别问题。利用一个将特征概率分布捕获为量子振幅的生成式张量网络，我们提出一种借助由设计测量引起的纠缠熵（EE）变化来实现信息特征无监督识别的方案。如此，一个其特征取值在统计上无意义的给定样本，被映射至在统计上刻画信息增益的 EE 变化。我们表明，EE 变化识别出对该特定样本识别至关重要的特征，而 EE 本身揭示了由 TN 模型表示的概率的信息分布。变化的符号进一步揭示了特征间的纠缠结构。我们在条纹图像玩具数据集、手写数字 MNIST 数据集、时尚物品图片 fashion-MNIST 数据集以及脑细胞图像上测试了方案的有效性。我们的方案开辟了量子启发且可解释的无监督学习之路，可应用于例如图像分割与目标检测。
引用
@article{arxiv.2207.06031,
title = {Unsupervised Recognition of Informative Features via Tensor Network Machine Learning and Quantum Entanglement Variations},
author = {Sheng-Chen Bai and Yi-Cheng Tang and Shi-Ju Ran},
journal= {arXiv preprint arXiv:2207.06031},
year = {2022}
}
备注
7 pages, 8 figures. In the updated version, we added the unsupervised segmentation of images of cells, and the results with multi-qubit measurements