SMT-AD：スケーラブルな量子インスパイア型異常検知アプローチ

要旨: 量子インスパイアードなテンソルネットワークのアルゴリズムは、異常検知を含む機械学習タスクに対して、有効で効率的なモデルであることが示されてきました。ここでは、異常検知のための多重解像度テンソルの重ね合わせ（Superposition of Multiresolution Tensors）に基づく、SMT-ADと呼ぶ高い並列化可能性を備えた量子インスパイアードな手法を提案します。この手法は、ボンド次元1の行列積オペレータ（matrix product operators）の重ね合わせに基づき、フーリエ支援付き特徴埋め込みによって入力データを変換するものです。このとき、学習可能なパラメータ数は、特徴サイズ、埋め込みの解像度、および行列積オペレータの構造における追加コンポーネント数に対して線形に増加します。クレジットカード取引を含む標準的なデータセットに適用した場合に、成功した異常検知が実証されます。さらに、最小限の構成であっても、確立された異常検知のベースラインに対して競争力のある性能を達成できることが分かります。加えて、本手法はモデルの重みを削減するための単純な方法を提供し、最も関連性の高い入力特徴を強調することで性能の向上さえも可能にします。