Classical machine learning and deep neural network ensemble model for GPS-based activity recognition
PulseAugur coverage of Classical machine learning and deep neural network ensemble model for GPS-based activity recognition — every cluster mentioning Classical machine learning and deep neural network ensemble model for GPS-based activity recognition across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
量子机器学习使用后期融合来降低成本并提高鲁棒性
研究人员提出了一种名为“后期融合”的新方法，用于在较小的设备上运行大型量子神经网络（QNN）。这种方法避免了将QNN分解为子电路时通常需要进行的计算成本高昂的重构步骤。相反，每个子电路都经过独立训练和测量，一个小型的经典组件将它们的输出结合起来。实验表明，这种后期融合方法在成本显著降低的情况下，实现了与完全重构相当的准确性，并且对噪声更鲁棒，尽管在测试数据集上它并未提供优于经典机器学习的准确性优势。
-
量子机器学习模型在经验比较中落后于经典模型
一篇新论文在监督学习和强化学习任务中，对量子机器学习（QML）模型与其经典对应模型进行了七对模型的经验比较。研究发现，当前的QML模型在预测性能、策略稳定性和训练时间方面均未优于经典基线。然而，QML在噪声过滤和控制假阳性方面显示出潜力，研究强调了QML硬件、训练效率和收敛稳定性方面的挑战。
-
混合量子经典PINN加速地震反演
研究人员开发了一种混合量子经典方法，用于加速物理信息神经网络（PINNs）的全波形反演（FWI）。这种新方法将参数化量子电路集成到PINN框架中，能够更快、更准确地从地震数据中重建材料属性。与纯经典方法相比，该混合模型在地球物理基准测试中表现出显著的改进，以更少的训练迭代次数和参数实现了更低的误差。