新算法使量子模型超越经典HMM

研究人员开发了一种名为NS-RIS（基于牛顿-舒尔茨收缩的Stiefel流形推理）的新算法，用于学习隐藏量子马尔可夫模型（HQMM）。该方法旨在通过量子操作实现更丰富的潜在表示，以克服传统隐藏马尔可夫模型（HMM）的局限性。NS-RIS在合成和真实世界数据集上均表现出比现有的HQMM方法和使用期望最大化训练的经典HMM更优越的性能，显示出显著的改进。 AI

影响 这项研究可能为分析序列数据（尤其是在科学领域）带来更具表现力和更准确的模型。

排序理由 该集群包含一篇详细介绍新算法及其在基准测试中性能的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Expectation--Maximization
• Hidden Markov models
• Newton-Schulz Retraction-Based Inference
• NS-RIS
• Splice
• Stiefel manifold

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →