用于异常检测的量子归一化流
Quantum Normalizing Flows for Anomaly Detection
AI总结：
本文提出量子归一化流用于异常检测，通过双射映射学习数据分布，在示例数据集上达到与经典方法（如孤立森林、LOF、单类SVM）相当的竞争力。
摘要：
归一化流计算从任意分布到预定义（如正态）分布的双射映射。一旦学习到这样的映射，该流可用于处理不同任务，例如异常检测。在这项工作中，我们为量子架构引入了归一化流，描述了如何建模和优化这样的流，并在示例数据集上评估了我们的方法。我们提出的模型在异常检测方面表现出与经典方法相比具有竞争力的性能，尤其是在已有量子启发算法的场景中。在实验中，我们将我们的性能与孤立森林（IF）、局部离群因子（LOF）或单类支持向量机进行了比较。
英文摘要：
A Normalizing Flow computes a bijective mapping from an arbitrary distribution to a predefined (e.g. normal) distribution. Such a flow can be used to address different tasks, e.g. anomaly detection, once such a mapping has been learned. In this work we introduce Normalizing Flows for Quantum architectures, describe how to model and optimize such a flow and evaluate our method on example datasets. Our proposed models show competitive performance for anomaly detection compared to classical methods, esp. those ones where there are already quantum inspired algorithms available. In the experiments we compare our performance to isolation forests (IF), the local outlier factor (LOF) or single-class SVMs.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
