研究项目
用于图像分类的张量网络分类器
探索用于监督学习的紧凑张量网络表示，以及更具结构解释性的模型形式。
研究问题
张量网络架构能否为小规模图像分类提供有效归纳偏置，同时保持可解释性与可控计算成本？
研究动机
张量网络在物理结构、压缩表示与机器学习模型之间提供了有价值的桥梁。
方法
矩阵乘积态 Tensor train 分解 特征映射 监督分类实验
研究路径
- 将张量网络分类器与小型神经网络基线进行比较。
- 跟踪 bond dimension 对容量、稳定性与训练成本的影响。
- 记录特征编码选择及其对分类行为的影响。
下一步
- 发布包含可控玩具实验的可复现 notebook。
- 撰写短文，连接张量网络压缩与实用 ML 模型设计。
当前结果
当前结果正在整理为可复现笔记与实验总结。
工具
Python PyTorch NumPy Tensor network methods
状态: 研究笔记整理中