Hilbert space
PulseAugur coverage of Hilbert space — every cluster mentioning Hilbert space across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新的统计框架利用生成模型改进推理
研究人员推出了一种新颖的统计框架——生成式推理（GPI），旨在利用辅助生成模型来增强分布值参数上的推理。当生成模型不完美但仍能提供有价值的预测信息时，该方法特别有用。GPI将非线性 Wasserstein 空间中的复杂推理问题转化为希尔伯特空间中更易于管理的估计任务，与仅依赖标记数据的方法相比，提供了一种提高效率和鲁棒性的途径。该框架已通过模拟得到验证，并应用于 Perturb-seq 研究，以改进基因表达分布的推理。
-
新型Hopfield网络利用SU(d)群实现容量提升10倍
研究人员推出了一种广义Hopfield网络，该网络利用黎曼流形上的连续变量，特别关注与特殊酉群SU(d)相关的对称空间。这种新方法在临界容量方面表现出显著增强，比传统向量网络高近一个数量级，并且容量随d迅速增长。该方法采用李代数方法在辅助希尔伯特空间内的线性代数中描述网络，通过与顶部特征向量对齐实现记忆检索，这种方法比其他连续模型更不易受到串扰的影响。论文通过RGB图像编码/解码协议说明了这一点，并讨论了使用广义Landau-Lifs…
-
混合量子CNN增强火山热活动识别能力
研究人员开发了一种新颖的混合量子AlexNet架构，旨在提高从卫星图像中识别火山热活动的能力。该模型集成了经典卷积神经网络和参数化量子电路，允许在希尔伯特高维空间中进行特征提取。与传统的深度学习方法相比，这种混合方法旨在提高跨传感器可转移性和在不同火山环境中的鲁棒性，同时需要更少的参数和训练数据。
-
新框架使用希尔伯特空间进行多维强化学习
一篇新研究论文介绍了 KE-DRL，一个用于多维分布强化学习的框架，该框架利用希尔伯特空间映射。这种方法估计多维值分布的核均值嵌入，用积分概率度量取代计算量大的 Wasserstein 度量。该方法专为复杂、连续的状态-动作空间设计，并为收敛性和收缩性提供了理论保证，在模拟中展示了鲁棒的离策略评估。
-
为概率测度开发了新的 Nesterov 加速方法
研究人员开发了新的概率测度加速优化方法，其灵感来源于欧几里得空间中的 Nesterov 加速梯度法。这些方法，包括重球法和 Nesterov 加速法，专为机器学习、科学计算和不确定性量化等应用而设计。该方法通过哈密顿公式将概率测度提升到相空间，并提升到希尔伯特空间，从而实现了与欧几里得方法相媲美的收敛保证。
-
两篇arXiv论文详述从单条轨迹学习动力学系统 · 跟踪2个来源
两篇新提交至arXiv的stat.ML板块的研究论文探讨了从单条轨迹学习动力学系统。第一篇论文侧重于切换非线性动力学系统，基于函数类熵为预测风险提供理论保证，并获得明确的收敛速率。第二篇论文处理遍历动力学系统，通过非线性最小二乘法推导出预测函数估计的高概率保证，并将框架扩展到高阶系统和Koopman算子。
-
量子水库计算的进展在新研究论文中得到探讨
两篇新研究论文探讨了量子水库计算（QRC）领域，这是一种利用量子系统进行计算的技术，它将参数更新与读出分离开来。第一篇论文对QRC进行了全面的调查，详细介绍了其基础、计算特性和各种物理实现，同时强调了建立量子优势所需的标准化基准。第二篇论文介绍了一种新颖的混合量子水库计算（nHQRC）框架，旨在检测非平衡动力学系统中的相变，通过使用固定的横向场伊辛模型和新颖的缩放技术克服了传统变分量子算法的局限性。
-
新理论探索克拉美几何下的分布强化学习
研究人员开发了一个新的理论框架，用于结合最大熵控制的分布强化学习。这项工作侧重于克拉美几何，一种基于累积分布函数的度量，来分析分布软贝尔曼算子。该研究证明，该算子在克拉美几何下表现为 $\sqrt{\gamma}$-收缩，确保了唯一不动点和策略评估的收敛性。随后，研究结果被转化为希尔伯特空间表示，为决策过程提供了谱域视角。
-
量子AI研究质疑程序生成的扩展假说
一篇新的立场论文认为，当前的人工智能扩展假说（假设增加参数会导致涌现式推理）不适用于量子程序生成。作者认为，与自然语言不同，量子电路具有严格的数学约束，并且存在显著的语法-语义鸿沟。依赖量子电路的概率性扩展会导致模型学习语法而无法理解希尔伯特空间的物理语义，而有效电路设计的指数级衰减加剧了这一问题。该论文提出将以人类为中心的副驾驶转变为以验证器为中心的代理，将分层约束和符号代理直接集成到生成过程中，并认为仅靠规模不足以弥合这一有效性鸿沟。
-
量子计算通过MQAdapter增强视觉语言模型微调
研究人员推出了一种用于微调视觉语言模型（VLM）的新方法MQAdapter，该方法利用量子计算。该方法旨在通过将视觉和文本特征编码为量子态，来提高少样本分类任务中的细粒度辨别能力。通过利用高维希尔伯特空间中的量子纠缠和叠加，MQAdapter比传统的欧几里得适配器能更有效地模拟高阶跨模态交互。参数高效的MQAdapter可以与现有的微调算法集成，并在15个数据集上证明了其有效性。
-
新的超态量子力学理论连接了物理学和AI
一个名为超态量子力学（SQM）的新理论框架已被引入，它通过考虑具有多个二次约束的希尔伯特空间中的态来扩展传统量子力学。该理论由Vladislav Malyshkin提出，有望在物理学、机器学习和人工智能等领域得到应用。SQM可以使用酉算符表示，从而引出一个量子逆问题，该问题可以通过新的计算算法来解决，包括使用量子通道的经典计算模型。
-
新框架打破量子电路中的一维可表达性-可训练性权衡
研究人员证明了参数化量子电路（PQC）的可表达性和可训练性不受一维权衡的限制。他们提出了一个新框架，将纠缠能力（EP）和纠缠能力偏差（EPD）分离为不同的设计旋钮。这使得在出现无地平线（barren-plateau）条件之前达到高覆盖率，从而创建具有高可表达性且保持可训练性的PQC。
-
新的概率测度PCA方法揭示稀疏-稠密采样转变
研究人员开发了一种新的方法，通过将概率测度嵌入希尔伯特空间来进行主成分分析（PCA）。这种方法解决了分析多个测度的挑战，每个测度都由一组样本表示。该研究推导了表征测度数量与每个测度的样本数量之间关系的收敛速率，揭示了从稀疏到稠密采样机制的转变。数值实验证实了这些理论发现，并表明子采样可以在提高计算效率的同时保持PCA的准确性。
-
OnlyDense框架将深度学习与降阶模型相结合
研究人员开发了一个名为OnlyDense的新型深度学习框架，用于模拟计算密集型的复杂拉格朗日模拟。该方法将系统的状态表示为希尔伯特空间中演化的函数，使用学习到的神经网络基函数创建线性子空间。这种方法将经典的降阶模型与深度学习相结合，即使使用较少数量的基函数也能准确预测动力学，这在大规模模拟中得到了证明。
-
Phase-Associative Memory: Sequence Modeling in Complex Hilbert Space
研究人员引入了一种新颖的复值序列模型，称为相位关联记忆（PAM），它利用希尔伯特空间形式主义来更好地捕捉语义表达含义的不确定性。虽然 PAM 的绝对损失高于其实值对应物，但它随着参数数量的增加表现出更快的改进。这表明 PAM 式架构有可能以显著更少的参数实现最先进的语言模型功能，使其在消费级硬件上可行。
-
量子CNN高精度预测胶质母细胞瘤甲基化状态
研究人员开发了一种新颖的量子卷积神经网络（IA-QCNN），旨在预测胶质母细胞瘤患者的MGMT启动子甲基化状态。这种基于量子学的方法利用叠加和纠缠等原理，从高维MRI数据中改进特征学习，克服了经典模型的局限性。IA-QCNN在参数更少、过拟合减少的情况下展现出高精度，并确定T1Gd MRI序列比mpMRI对该预测更具区分度。
-
研究人员开发了用于学习具有算子值核的算子的 SGD 算法
研究人员开发了一种在统计逆问题中估计回归算子 的新方法。该方法利用正则化随机梯度下降 (SGD) 和算子值核，为预测和估计误差提供了与维度无关的界限。该技术提供了接近最优的收敛速度和高概率估计，适用于结构化预测和参数化偏微分方程。