論文の概要: Explaining Anomalies with Tensor Networks

• arxiv url: http://arxiv.org/abs/2505.03911v1
• Date: Tue, 06 May 2025 18:35:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.897032
• Title: Explaining Anomalies with Tensor Networks
• Title（参考訳）: テンソルネットワークによる異常の説明
• Authors: Hans Hohenfeld, Marius Beuerle, Elie Mounzer,
• Abstract要約: 本稿では,説明可能な異常検出のためのツリーテンソルネットワークを提案する。 いくつかのベースラインモデルと比較して,適切な予測性能を示す。 これにより、より広範な潜在的な問題にテンソルネットワークの適用を拡大する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Tensor networks, a class of variational quantum many-body wave functions have attracted considerable research interest across many disciplines, including classical machine learning. Recently, Aizpurua et al. demonstrated explainable anomaly detection with matrix product states on a discrete-valued cyber-security task, using quantum-inspired methods to gain insight into the learned model and detected anomalies. Here, we extend this framework to real-valued data domains. We furthermore introduce tree tensor networks for the task of explainable anomaly detection. We demonstrate these methods with three benchmark problems, show adequate predictive performance compared to several baseline models and both tensor network architectures' ability to explain anomalous samples. We thereby extend the application of tensor networks to a broader class of potential problems and open a pathway for future extensions to more complex tensor network architectures.
• Abstract（参考訳）: 変分量子多体波動関数のクラスであるテンソルネットワークは、古典的な機械学習を含む多くの分野において、かなりの研究関心を集めている。 近年、Aizpuruaらは、離散的に評価されたサイバーセキュリティタスクにおいて、マトリックス製品の状態による説明可能な異常検出を実証した。 ここでは、このフレームワークを実価値データドメインに拡張する。 さらに、説明可能な異常検出のためのツリーテンソルネットワークについても紹介する。 これらの手法を3つのベンチマーク問題で実証し、いくつかのベースラインモデルと比較して適切な予測性能を示し、両方のテンソルネットワークアーキテクチャーが異常サンプルを説明する能力を示した。 これにより、より広範な潜在的な問題にテンソルネットワークの適用を拡大し、より複雑なテンソルネットワークアーキテクチャへの将来の拡張の道を開く。

関連論文リスト

• No-Free-Lunch Theories for Tensor-Network Machine Learning Models [4.410253346975833]
  特定のテンソルネットワーク機械学習モデルの形式化が不可欠で悪名高い、No-free-Lunch定理の厳密な定式化に注力する。 まず、行列積状態、すなわち1次元テンソルネットワーク状態に基づく機械学習モデルに対するノーランチ定理を証明した。 2次元イジングモデルにおける分割関数の計算の難題を回避し、2次元の絡み合ったペア状態の場合のノーランチ定理を証明した。
  論文  参考訳（メタデータ） (2024-12-07T14:41:24Z)
• Towards Scalable and Versatile Weight Space Learning [51.78426981947659]
  本稿では,重み空間学習におけるSANEアプローチを紹介する。 ニューラルネットワーク重みのサブセットの逐次処理に向けて,超表現の概念を拡張した。
  論文  参考訳（メタデータ） (2024-06-14T13:12:07Z)
• Do We Need an Encoder-Decoder to Model Dynamical Systems on Networks? [18.92828441607381]
  埋め込みは観察によく適合するが、同時に誤った動的挙動を持つモデルを誘導することを示す。 2つの加法的ベクトル場成分をパラメトリした単純な埋め込み自由な代替法を提案する。
  論文  参考訳（メタデータ） (2023-05-20T12:41:47Z)
• Theory on variational high-dimensional tensor networks [2.0307382542339485]
  ランダムな高次元ネットワーク状態の創発的統計特性とテンソルネットワークのトレーニング可能性について検討する。 変動高次元ネットワークが大域的損失関数のバレンプラトーに悩まされていることを証明した。 この結果は、将来の理論的研究と実践的応用の道を開くものである。
  論文  参考訳（メタデータ） (2023-03-30T15:26:30Z)
• Bayesian Attention Belief Networks [59.183311769616466]
  注意に基づくニューラルネットワークは、幅広いタスクにおいて最先端の結果を得た。 本稿では,非正規化注意重みをモデル化してデコーダネットワークを構築するベイズ的注意信念ネットワークについて紹介する。 提案手法は, 精度, 不確実性推定, ドメイン間の一般化, 敵攻撃において, 決定論的注意と最先端の注意よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-09T17:46:22Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Tensor Networks for Multi-Modal Non-Euclidean Data [24.50116388903113]
  本稿では,グラフ,テンソル,ニューラルネットワークの望ましい特性を物理的に有意義でコンパクトな方法で活用する,新しいマルチグラフネットワーク(mgtn)フレームワークを提案する。 これによりMGTNは不規則なデータソースのローカル情報をパラメータの複雑さを大幅に減らすことができる。 MGTNフレームワークの利点、特にテンソルネットワークの固有の低ランク正規化特性による過度な適合を回避する能力が示されている。
  論文  参考訳（メタデータ） (2021-03-27T21:33:46Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Understanding Generalization in Deep Learning via Tensor Methods [53.808840694241]
  圧縮の観点から,ネットワークアーキテクチャと一般化可能性の関係について理解を深める。 本稿では、ニューラルネットワークの圧縮性と一般化性を強く特徴付ける、直感的で、データ依存的で、測定が容易な一連の特性を提案する。
  論文  参考訳（メタデータ） (2020-01-14T22:26:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。