論文の概要: Quantum-Inspired Tensor Network Autoencoders for Anomaly Detection: A MERA-Based Approach

• arxiv url: http://arxiv.org/abs/2604.06541v1
• Date: Wed, 08 Apr 2026 00:33:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.275868
• Title: Quantum-Inspired Tensor Network Autoencoders for Anomaly Detection: A MERA-Based Approach
• Title（参考訳）: 量子インスパイアされた異常検出用テンソルネットワークオートエンコーダ:MERAに基づくアプローチ
• Authors: Emre Gurkanli, Michael Spannowsky,
• Abstract要約: マルチスケールのテンソルネットワークアーキテクチャがコライダージェットの異常検出に有用な誘導バイアスとなるかどうかを考察する。 我々は,MERAにインスパイアされたオートエンコーダを,順序付きジェット部品に直接作用させる。 本論文は, 局所性を考慮した階層圧縮がデータによって真に支持されているか, MERA の切り離された層が, より単純な木構造に留まっているか,という2つの主要な疑問を整理する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate whether a multiscale tensor-network architecture can provide a useful inductive bias for reconstruction-based anomaly detection in collider jets. Jets are produced by a branching cascade, so their internal structure is naturally organised across angular and momentum scales. This motivates an autoencoder that compresses information hierarchically and can reorganise short-range correlations before coarse-graining. Guided by this picture, we formulate a MERA-inspired autoencoder acting directly on ordered jet constituents. To the best of our knowledge, a MERA-inspired autoencoder has not previously been proposed, and this architecture has not been explored in collider anomaly detection. We compare this architecture to a dense autoencoder, the corresponding tree-tensor-network limit, and standard classical baselines within a common background-only reconstruction framework. The paper is organised around two main questions: whether locality-aware hierarchical compression is genuinely supported by the data, and whether the disentangling layers of MERA contribute beyond a simpler tree hierarchy. To address these questions, we combine benchmark comparisons with a training-free local-compressibility diagnostic and a direct identity-disentangler ablation. The resulting picture is that the locality-preserving multiscale structure is well matched to jet data, and that the MERA disentanglers become beneficial precisely when the compression bottleneck is strongest. Overall, the study supports locality-aware hierarchical compression as a useful inductive bias for jet anomaly detection.
• Abstract（参考訳）: マルチスケールのテンソルネットワークアーキテクチャがコライダージェットの再構成に基づく異常検出に有用な誘導バイアスとなるかどうかを考察する。 ジェットは分岐カスケードによって生成され、内部構造は角スケールと運動量スケールで自然に組織される。 これは、情報を階層的に圧縮し、粗粒化の前に短距離相関を再編成するオートエンコーダを動機付けている。 この図でガイドされたMERAにインスパイアされたオートエンコーダは、順序づけられたジェット成分に直接作用する。 我々の知る限り、MERAにインスパイアされたオートエンコーダは、これまで提案されておらず、このアーキテクチャはコライダー異常検出では検討されていない。 我々は、このアーキテクチャを、高密度オートエンコーダ、対応するツリー-テンソル-ネットワーク制限、および共通のバックグラウンドのみの再構築フレームワークにおける標準の古典的ベースラインと比較する。 本論文は, 局所性を考慮した階層圧縮がデータによって真に支持されているか, MERA の切り離された層が, より単純な木構造に留まっているか,という2つの主要な疑問を整理する。 これらの問題に対処するために、ベンチマーク比較をトレーニング不要な局所圧縮性診断と直接ID-ディスタングル・アブレーションと組み合わせる。 その結果, 局所保存型マルチスケール構造はジェットデータとよく一致し, 圧縮ボトルネックが強い場合にはMERAアンタングルが有効となることがわかった。 本研究は局所性を考慮した階層圧縮をジェット異常検出に有用な誘導バイアスとしてサポートする。

関連論文リスト

• Reconstructing Multi-Scale Physical Fields from Extremely Sparse Measurements with an Autoencoder-Diffusion Cascade [38.28865883904372]
  Cascaded Sensing (Cas-Sensing)は、自動エンコーダ拡散カスケードを統合する階層的な再構築フレームワークである。 マスクカスケード戦略で訓練された条件拡散モデルにより,大規模構造物に条件付された微細な詳細情報を生成する。 シミュレーションと実世界のデータセットの両方の実験により、Cas-Sensingは様々なセンサー構成と幾何学的境界をまたいでうまく一般化することを示した。
  論文  参考訳（メタデータ） (2025-12-01T11:46:14Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• How transformers learn structured data: insights from hierarchical filtering [2.7784685368355744]
  木上の配列のデータモデルに対する階層的フィルタリング手法を導入し、データ内の位置相関範囲を手作業で調整する。 バニラエンコーダのみのトランスフォーマーは、ルート分類やマスキング言語モデリングタスクで訓練された場合、正確な推論アルゴリズムを近似できることを示す。
  論文  参考訳（メタデータ） (2024-08-27T15:23:09Z)
• A Hierarchically Feature Reconstructed Autoencoder for Unsupervised Anomaly Detection [8.512184778338806]
  それは、階層的な特徴表現を抽出するための十分に訓練されたエンコーダと、これらの中間的特徴をエンコーダから再構成するデコーダで構成されている。 復号器が機能再構成に失敗すると異常を検知し、階層的特徴再構成の誤差を異常マップに集約して異常局所化を実現する。 実験の結果,提案手法はMNIST, Fashion-MNIST, CIFAR-10, MVTec異常検出データセットにおいて,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-05-15T07:20:27Z)
• Classification and Reconstruction Processes in Deep Predictive Coding Networks: Antagonists or Allies? [0.0]
  ビジュアルコンピューティングのための予測符号化にインスパイアされたディープネットワークは、共有中間層における分類と再構成プロセスを統合する。 ディープラーニングアーキテクチャにおけるインタラクションの分類と再構築について、批判的な考察をしている。 分類駆動情報は中間層の共有表現における再構成駆動情報を減少させる。
  論文  参考訳（メタデータ） (2024-01-17T14:34:32Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Deep Convolutional Autoencoders as Generic Feature Extractors in Seismological Applications [0.0]
  地震学的な異なる用途のために,オートエンコーダを特徴抽出器として用いるという考え方を評価するためのテストを開発した。 これらのテストでは、大量の地震波形に基づいて、未完成または未完成のオートエンコーダを訓練する。 オートエンコーダの特徴抽出手法は,特定の条件下でのみ良好に機能する可能性がある。
  論文  参考訳（メタデータ） (2021-10-22T14:22:07Z)
• Landmark Regularization: Ranking Guided Super-Net Training in Neural Architecture Search [70.57382341642418]
  重量共有は、コモディティハードウェア上での検索を可能にするため、ニューラルネットワークアーキテクチャ検索のデファクトスタンダードとなっています。 近年の研究では、スタンドアロンアーキテクチャのパフォーマンスと対応する共有重み付きネットワークのパフォーマンスのランキング障害が実証されている。 本稿では,共有重みネットワークの性能ランキングとスタンドアロンアーキテクチャのパフォーマンスランキングの相関を最大化することを目的とした正規化用語を提案する。
  論文  参考訳（メタデータ） (2021-04-12T09:32:33Z)
• End-to-End Object Detection with Transformers [88.06357745922716]
  本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。 我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。 この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
  論文  参考訳（メタデータ） (2020-05-26T17:06:38Z)
• DHP: Differentiable Meta Pruning via HyperNetworks [158.69345612783198]
  本稿では,ネットワークの自動プルーニングのためのハイパーネットによる識別可能なプルーニング手法を提案する。 遅延ベクトルは、バックボーンネットワーク内の畳み込み層の出力チャネルを制御し、レイヤのプルーニングのハンドルとして機能する。 画像分類、単一画像超解像、復調のための様々なネットワークで実験が行われた。
  論文  参考訳（メタデータ） (2020-03-30T17:59:18Z)

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。