用张量列车压缩数据，分离正常与异常模式。
Anomaly Detection from a Tensor Train Perspective
- 基于张量列车结构保留正常数据特征
- 在压缩中主动剔除异常数据结构
- 适用于图像与网络安全数据检测
我们提出一系列基于张量网络的异常检测算法，通过张量列车表示实现数据压缩。这些算法的核心思想是在压缩过程中保留正常数据的结构，同时删除异常数据的结构特征，从而实现异常识别。该方法可适用于任意张量网络表示形式。我们在手写数字、Olivetti人脸数据集以及一个网络安全数据集上进行了测试，用于识别网络攻击行为，验证了方法的有效性。
原文摘要 · Abstract (English)
We present a series of algorithms in tensor networks for anomaly detection in datasets, by using data compression in a Tensor Train representation. These algorithms consist of preserving the structure of normal data in compression and deleting the structure of anomalous data. The algorithms can be applied to any tensor network representation. We test the effectiveness of the methods with digits and Olivetti faces datasets and a cybersecurity dataset to determine cyber-attacks.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。