Quantum Machine Learning
PulseAugur coverage of Quantum Machine Learning — every cluster mentioning Quantum Machine Learning across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新的量子专家软混合架构增强了混合学习
研究人员推出了一种新颖的量子专家软混合(Soft-MoQE)架构,旨在改进混合量子-经典学习。该模型利用一组固定的量子电路,每个电路提供独特的嵌入,以及一个学习为单个数据点加权这些嵌入的经典门控网络。通过避免直接的变分量子训练,Soft-MoQE 显著降低了如 barren plateaus 和硬件限制等优化挑战。在 MNIST 和 Fashion-MNIST 数据集上的基准测试表明,Soft-MoQE 的性能优于单一专家、均匀平均和…
-
增强技术通过减少采样开销来改进嘈杂的量子机器学习
研究人员探索了使用增强技术来提高在嘈杂条件下运行的量子机器学习模型的性能。虽然量子误差缓解 (QEM) 可以从嘈杂的量子计算中恢复信息,但它通常需要大量的样本。本研究调查了监督学习,特别是二元分类,如何利用特定问题的信息来减少采样开销。研究结果表明,与概率误差消除相比,增强方法(如 AdaBoostR 和 Real AdaBoost)可以实现更高的测试准确性,并且需要更少的电路执行次数,尤其是在电路深度和噪声水平增加的情况下。
-
新框架增强量子机器学习中的不确定性和噪声鲁棒性
研究人员正在开发新的方法来提高量子机器学习 (QML) 模型的可靠性和性能。一种方法引入了使用 Dempster-Shafer 理论的不确定性感知框架,允许 QML 模型通过为标签集分配权重来表达超越简单准确性指标的不确定性。另一项开发是 APGEM,一个基于学习的框架,它根据 QML 算法的实时反馈自适应地选择误差缓解技术,其性能优于固定策略,并能跟踪真实硬件的噪声模型。
-
量子机器学习模型在临床基准测试中未显示出明显优于经典方法
一篇新发表在 arXiv 上的研究论文使用六个临床数据集对量子机器学习 (QML) 模型与经典模型进行了基准测试。研究发现,量子核支持向量机 (QSVM) 和变分量子分类器 (VQC) 均未显著优于其经典对应模型。事实上,QSVM 在一个数据集上的表现不如最佳经典模型,而在其他数据集上则等同于经典的 RBF-SVM,有限次估计和配置错误被认为是主要的实际限制。研究人员还引入了 QML-Health-READY 框架来报告 QML 的声明。
-
量子机器学习模型在医疗影像中接受公平性审计
研究人员对用于医疗影像的量子机器学习(QML)模型进行了公平性审计,发现虽然QML可以达到有竞争力的性能,但它在敏感亚群体中仍可能表现出差异。该研究在皮肤病学和胸部X光数据集上评估了经典和量子分类器,并采用了公平性指标如均衡赔率正则化和梯度反转学习等缓解技术。结果表明,公平性改进有时会以牺牲整体性能为代价,并且缓解策略的有效性取决于具体的模型和数据集。论文总结认为,在医疗应用中,面向亚群体的经验性评估对于QML至关重要。
-
新框架为量子极限学习机提供可解释的洞察
本文利用Pauli传递矩阵(PTM)形式主义,提出了一种理解量子极限学习机(QELMs)的新框架。该方法将QELMs作为非线性向量自回归模型,提供了一种可解释的经典表示。它分析了影响QELM信息处理能力的因素,包括编码、存储器动力学和测量可观测量,并提供了指导QELM设计和减少超参数调整的诊断方法。
-
量子机器学习驱动新型媒体推荐系统
研究人员开发了一种利用量子机器学习技术的新型基于内容的媒体推荐系统。该系统以量子自然语言处理框架为基础,将媒体简介映射到变分量子电路。在 BBC iPlayer 数据集上进行测试时,该量子推荐系统展现出与经典 BiLSTM 基线相当的性能,但参数数量显著减少。研究还证实了在实际量子硬件上部署这些量子模型的可行性,表明即使在有噪声的条件下,相似性信号也能得到保留。
-
量子与经典机器学习在神经精神疾病中的应用:一项比较研究
一项新研究使用功能连接数据,评估了量子机器学习模型与经典模型在神经精神疾病分类方面的性能。研究横跨四个公开队列,共计 4,308 名受试者,发现量子核在准确性方面与经典模型在统计学上没有区别。虽然某些量子模型在特定数据集的曲线下面积 (AUC) 等指标上表现略好,但没有模型能持续优于经典方法。
-
量子SVM用于信用卡欺诈检测的基准测试
一篇新研究论文探讨了量子核支持向量机(QSVM)在信用卡欺诈检测中的有效性,这项任务因欺诈交易的稀少性而变得复杂。该研究将三种量子编码方法与经典模型进行了基准测试,并将合成少数类过采样(SMOTE)嵌入到量子工作流程中以解决类别不平衡问题。虽然经典模型在大数据集上达到了0.983的PR-AUC,但在约束其性能以匹配QSVM硬件限制时,其性能显著下降至0.750。最好的量子结果达到了0.730的PR-AUC,由于噪声和门错误,在物理量子…
-
量子-经典模型融合精度提升高达6.03%
研究人员开发了一种新的方法,用于组合多个量子与经典机器学习模型以提高预测精度。这种方法称为组合融合分析(CFA),利用了不同量子电路架构和经典模型的结构多样性。在四个二元分类任务上的实验表明,融合模型持续优于最佳的单个模型,精度提升高达6.03%。
-
量子机器学习与语义通信集成实现鲁棒推理
研究人员开发了一个端到端学习框架,将量子机器学习(QML)与量子语义通信(QSemCom)相结合。该方法将经典数据集映射到低维表示,然后由量子发射器进行编码以学习语义特征。这些特征通过量子信道传输,并由接收器处理以进行下游分类任务。使用MNIST数据集和变分量子神经网络进行的实验表明,联合训练的收发信机可以适应信道损伤并保留任务相关信息,展示了接收器感知的QML在量子通信中实现鲁棒推理的潜力。
-
新框架探索光量子神经网络用于金融市场预测
研究人员开发了 Q-PhotoMarket,这是一个旨在探索用于金融市场预测的光子混合量子神经网络 (HQNN) 的广阔设计空间的框架。该框架系统地评估了美国、印度和加密货币市场中超过 5,000 种不同的光子配置,包括输入状态、电路架构和测量策略。研究发现了持续的架构模式,并确定了可与经典机器学习基线相媲美的稳健的高性能设计,同时还纳入了在数据不平衡条件下可靠评估的方法。
-
量子机器学习研究探索数据效率和对称性发现
三篇新研究论文探讨了量子物理与机器学习的交叉点,重点关注如何有效地从量子数据中学习。第一篇论文详细介绍了一种从量子学习模型中的有限测量推断对称群的理论。第二篇论文介绍了一种用于区分量子集合的积分概率度量层次结构,为量子机器学习中的损失函数提供指导。第三篇论文研究了量子PAC学习中的样本复杂度优势,证明了对状态制备酉变换进行逆向访问对于实现这种优势至关重要。
-
量子扩散模型应用于医学图像分析
研究人员推出了一种混合量子扩散模型,用于医学图像分析,利用了叠加和纠缠等量子力学原理。该模型在真实量子设备上使用离散时间量子行走算法进行前向扩散过程,而反向去噪步骤则由经典学习模型处理。与先前受量子设备规模限制的尝试不同,该方法可以处理包括灰度、RGB图像和3D体积在内的大型真实世界医学数据,并展示出与经典扩散模型相比具有竞争力的生成能力。
-
量子机器学习:傅里叶分析助力新型分类器设计
研究人员通过将傅里叶分析应用于参数,开发了一个理解和设计交互式量子分类器(IQCs)的新框架。这种方法揭示了哈密顿量参数如何影响分类器的输出,从而清晰地解释了诱导的特征映射。该研究引入了广义哈密顿量编码,包括矩阵参数化的环境哈密顿量,这允许依赖于输入特征的不可分离傅里叶结构。数值实验表明,这些提出的模型可以提高在非线性基准上的分类性能,其中矩阵编码取得了强大的总体结果,而一个更简单的四参数扩展通过更少的训练参数提供了可比的性能。
-
量子启发式Transformer (QiT) 推进视觉识别
研究人员开发了QiT,一种用于视觉识别任务的量子启发式Transformer模型。QiT利用了量子模型的结构思想,例如角度启发式编码和周期性特征自注意力,来创建一个模仿量子神经网络特性的经典Transformer。虽然不使用量子计算,QiT旨在经典模型中分离和评估受量子启发的归纳偏差。该模型在图像分类基准测试中表现出竞争力,其QiT-B变体在ImageNet-1K上达到了78.3%的top-1准确率。
-
量子启发式算法助力经典机器学习
研究人员开发了一种受量子计算原理启发的新型经典算法,以解决机器学习中的特定挑战。该方法被称为“用于对角加权矩阵函数的量子启发式去量化方法”,能够为优化随机特征的采样器进行去量化,这是现有去量化框架未能涵盖的任务。该算法通过采样重指数、将变换简化为主要块,并输出具有算子范数保证的稀疏经典表示来实现这一目标,可能提供多项式加速。
-
新研究强调了量子机器学习的隐私风险
一篇新论文探讨了与量子机器学习(QML)相关的隐私风险,特别是在用户拥有量子原生访问权限的情况下。研究表明,增加的量子访问和计算能力可能导致理论上的隐私泄露和对手的实际收益,从而可能低估QML系统中的真实隐私风险。该研究强调了当前隐私保护QML研究中的一个空白,即该研究通常假设用户只能进行经典访问。
-
量子稀疏自编码器增强认知诊断鲁棒性
研究人员开发了一种新颖的量子稀疏自编码器(QSAE),用于估计Q矩阵,这对于教育数据挖掘中的认知诊断至关重要。该方法标志着量子机器学习首次应用于这一特定诊断任务。虽然在某些模拟场景中,经典自编码器(CAE)显示出更高的平均准确率,但QSAE在多次重复实验中表现出显著更高的稳定性和更低的方差。在实际评估中,QSAE在大多数数据集上优于CAE,表明其主要优势在于增强的鲁棒性以及揭示复杂潜在结构的能力。
-
量子机器学习研究探讨噪声影响与推断优化
两篇新研究论文探讨了量子机器学习的理论基础,重点关注噪声如何影响性能以及如何优化推断算法。第一篇论文开发了一种统计学习理论,解释了适度噪声如何通过降低复杂性来悖论式地提高量子机器学习的泛化能力,并引入了“有限噪声最优”。第二篇论文将经典的最大熵推断和梯度下降算法扩展到量子领域,分析了收敛速度,并提出了诸如Anderson混合和L-BFGS等拟牛顿方法以获得显著的性能提升,应用于哈密顿量学习。