重整化群引导的张量网络结构搜索

Research Paper#Tensor Networks, Machine Learning, Physics-Inspired AI🔬 Research|分析: 2026年1月3日 06:28•
发布: 2025年12月31日 06:31
•
1分で読める
•ArXiv

分析

本文介绍了RGTN，一个受物理学（特别是重整化群）启发的张量网络结构搜索（TN-SS）新框架。它通过采用多尺度优化、连续结构演化和高效的结构-参数优化，解决了现有TN-SS方法的局限性。核心创新在于可学习的边缘门和基于物理量的智能提议，从而提高了压缩比，并比现有方法实现了显著的加速。这种受物理学启发的方案为解决高维数据表示的挑战提供了一个有前景的方向。
引用 / 来源
查看原文
"RGTN achieves state-of-the-art compression ratios and runs 4-600$\times$ faster than existing methods."
A
ArXiv2025年12月31日 06:31
* 根据版权法第32条进行合法引用。
较旧

Machine Learning on Encrypted Data Without Decrypting It

较新

Introduction to Machine Learning for Coders: Launch

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv