Neural Information Processing Systems· 2016

Tensor Ağları ile Gözetimli Öğrenme

Supervised Learning with Tensor Networks

E. Miles Stoudenmire, David J. Schwab

214atıf
2016yıl

Kısa özet

Matris çarpım durumları (tensör trenleri) kullanılarak tensör ağları, doğrusal olmayan çekirdek öğrenme modellerini parametrelendirebilir ve MNIST veri setinde %1'in altında test hatası elde eder.

Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.

Ana noktalar

Matris çarpım durumları (tensör trenleri) kullanılarak tensör ağları, doğrusal olmayan çekirdek öğrenme modellerini parametrelendirir.
Yöntem, MNIST veri setinde %1'in altında bir test kümesi sınıflandırma hatası elde etmiştir.
Tensör ağının içsel yapısı, öğrenilen modele ek, yorumlanabilir bir yapı kazandırır.

Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.

Özet (abstract)

Tensor networks are approximations of high-order tensors which are efficient to work with and have been very successful for physics and mathematics applications. We demonstrate how algorithms for optimizing tensor networks can be adapted to supervised learning tasks by using matrix product states (tensor trains) to parameterize non-linear kernel learning models. For the MNIST data set we obtain less than 1% test set classification error. We discuss an interpretation of the additional structure imparted by the tensor network to the learned model.

Yazarların özeti; kaynağından alınmıştır. Neural Information Processing Systems, 2016 · DOI ↗

ÇıkarımlarPremium

Makaleye SorÜcretsiz hesapla