量子科技中心_量科网

量子启发的张量网络算法已被证明是机器学习任务（包括异常检测）中高效且有效的模型。本研究提出了一种高度并行化的量子启发式方法，命名为“SMT-AD”（基于多分辨率张量叠加的异常检测）。该方法通过叠加键维数为1的矩阵乘积算子来转换输入数据，结合傅里叶辅助特征嵌入技术，其可训练参数数量随特征尺寸、嵌入分辨率及矩阵乘积算子结构中附加组件数量呈线性增长。在信用卡交易等标准数据集上的测试表明，即使采用最小配置，该方法的异常检测性能仍能媲美现有基准算法。此外，通过突出最相关输入特征，该方法不仅能直接降低模型权重，甚至可进一步提升性能。