論文の概要: A Practical Introduction to Tensor Network Renormalization with TNRKit.jl

• arxiv url: http://arxiv.org/abs/2604.06922v1
• Date: Wed, 08 Apr 2026 10:23:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.47765
• Title: A Practical Introduction to Tensor Network Renormalization with TNRKit.jl
• Title（参考訳）: TNRKit.jlによるテンソルネットワーク再正規化の実践
• Authors: Victor Vanthilt, Adwait Naravane, Chenqi Meng, Atsushi Ueda,
• Abstract要約: TNRKit.jlは、2次元および3次元の古典的統計モデルのネットワーク再正規化(TNR)のためのオープンソースのJuliaパッケージである。 分割関数のテンソル-ネットワーク表現を構築し、それらを粗粒化するための対称性を意識したフレームワークを提供する。
• 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 present TNRKit.jl, an open-source Julia package for Tensor Network Renormalization (TNR) of two- and three-dimensional classical statistical models and Euclidean lattice field theories. Built on top of TensorKit.jl\cite{tensorkit}, it provides a symmetry-aware framework for constructing tensor-network representations of partition functions and coarse-graining them using methods such as TRG, HOTRG, and LoopTNR. Beyond thermodynamic quantities, the package enables the extraction of universal conformal data -- including scaling dimensions and the central charge -- directly from fixed-point tensors. TNRKit.jl is designed with both usability and extensibility in mind, offering a practical platform for applying, benchmarking, and developing modern tensor renormalization algorithms. This paper also serves as a self-contained introduction to the TNR framework.
• Abstract（参考訳）: 2次元および3次元の古典的統計モデルとユークリッド格子場理論のテンソルネットワーク再正規化(TNR)のためのオープンソースJuliaパッケージであるTNRKit.jlを提案する。 TensorKit.jl\cite{tensorkit} の上に構築され、分割関数のテンソルネットワーク表現を構築し、TRG、HOTRG、LoopTNR などの手法を用いてそれらを粗粒化するための対称性対応のフレームワークを提供する。 熱力学量以外にも、このパッケージは、スケーリング次元や中心電荷を含む普遍的共形データの固定点テンソルから直接抽出することができる。 TNRKit.jlはユーザビリティと拡張性の両方を念頭に設計されており、現代のテンソル再正規化アルゴリズムの適用、ベンチマーク、開発のための実用的なプラットフォームを提供する。 本稿は、TNRフレームワークの自己完結型導入としても機能する。

関連論文リスト

• Data-Adaptive Transformed Bilateral Tensor Low-Rank Representation for Clustering [17.14664384622625]
  本稿では,TBTLRRと呼ばれる二元的低ランク表現モデルを提案する。 核ノルムを任意のユニタリユニタリで統合し、グローバルデータのより効果的なキャプチャを可能にする。 画像と潜時相関の局所的相関を利用することができる。
  論文  参考訳（メタデータ） (2025-10-22T23:25:44Z)
• Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
  低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。 従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。 本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:05:37Z)
• Tensor Ring Optimized Quantum-Enhanced Tensor Neural Networks [32.76948546010625]
  量子機械学習の研究者は、しばしばディープニューラルネットワーク(DNN)にネットワーク(TN)を組み込むことに頼っている。 この問題に対処するために、リング最適化変分量子学習分類器(Quan-TR)の多層設計を提案する。 リング最適化量子強化ニューラルネットワーク(TR-QNet)と呼ばれる。 量子シミュレーションにおいて、提案されたTR-QNetは、それぞれIris、MNIST、CIFAR-10データセット上で、9,4.5%、8,6.16%、および83.54%の有望な精度を達成している。
  論文  参考訳（メタデータ） (2023-10-02T18:07:10Z)
• Regret Bounds for Noise-Free Cascaded Kernelized Bandits [45.551266812295005]
  RKHS関数クラスを用いたノイズフリーグレーボックス設定において,関数ネットワークの最適化を検討する。 本研究では,(1)チェーン:スカラー値関数のカスケード,(2)マルチアウトプットチェーン:ベクトル値関数のカスケード,(3)フィードフォワードネットワーク:完全に接続されたスカラー値関数のフィードフォワードネットワークの3種類の構造について検討する。
  論文  参考訳（メタデータ） (2022-11-10T09:12:55Z)
• Multi-Tensor Network Representation for High-Order Tensor Completion [25.759851542474447]
  この研究は、部分的に観察されたサンプリングから高次元データ(テンソルを参照)の完備化の問題を研究する。 テンソルは複数の低ランク成分の重ね合わせであると考える。 本稿では,基本テンソル分解フレームワークであるMulti-Tensor Network decomposition (MTNR)を提案する。
  論文  参考訳（メタデータ） (2021-09-09T03:50:19Z)
• A Fully Tensorized Recurrent Neural Network [48.50376453324581]
  重み付けされたRNNアーキテクチャを導入し、各リカレントセル内の個別の重み付け行列を共同で符号化する。 このアプローチはモデルのサイズを数桁削減するが、通常のRNNと同等あるいは優れた性能を維持している。
  論文  参考訳（メタデータ） (2020-10-08T18:24:12Z)
• T-Basis: a Compact Representation for Neural Networks [89.86997385827055]
  テンソルの集合をコンパクトに表現するための概念である T-Basis をニューラルネットワークでよく見られる任意の形状で導入する。 ニューラルネットワーク圧縮の課題に対する提案手法の評価を行い, 許容性能低下時に高い圧縮速度に達することを示す。
  論文  参考訳（メタデータ） (2020-07-13T19:03:22Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。