Variational Quantum Circuit Model for Knowledge Graph Embedding
PulseAugur coverage of Variational Quantum Circuit Model for Knowledge Graph Embedding — every cluster mentioning Variational Quantum Circuit Model for Knowledge Graph Embedding across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
经典机器学习在脑变形预测中优于量子-经典模型
一篇新的研究论文评估了混合量子-经典机器学习模型在预测脑变形动力学方面的有效性。研究发现，经典机器学习模型，特别是用于静态回归的POD-MLP和用于时间预测的POD-LSTM，在各种量子-经典架构中表现更优。虽然混合模型在最小量子电路方面有所改进，但对于此特定应用，经典方法在准确性和稳定性方面均保持显著优势。
-
量子-经典网络QUASAR增强SAR卫星认证
研究人员开发了QUASAR，这是一种新颖的量子-经典混合神经网络，用于X波段合成孔径雷达（SAR）卫星的物理层认证。该架构结合了卷积神经网络（CNN）和变分量子电路（VQC），以解决经典深度学习在卫星信号认证方面的局限性。QUASAR在数据效率方面表现出色，仅需10%的训练数据即可达到经典基线精度，并在数据预算相等的情况下提高分类精度。该系统在各种对抗场景下，包括重放攻击、定制IQ注入和天基欺骗，均能有效拒绝欺骗传输。
-
新的变分代理框架增强了NISQ硬件上的量子相位估计
研究人员开发了一种新的量子相位估计（QPE）框架，该框架对于当前的嘈杂中型量子（NISQ）设备更有效。该方法使用分析训练的变分代理来模拟QPE测量分布，而无需进行完整的量子电路模拟。该方法在IBM Quantum Platform上使用氢分子进行了测试，在分子能量估计的化学精度阈值内取得了结果。
-
用于多智能体活动识别的量子增强联邦学习框架
研究人员开发了QFedAgent，一个将量子计算与个性化联邦学习相结合用于多智能体活动识别的新颖框架。这种混合方法解决了多智能体系统中异构和非独立同分布（non-IID）传感器数据带来的挑战，这些数据通常会降低传统联邦学习算法的性能。QFedAgent利用变分量子电路进行融合，与经典方法相比显著减少了参数，并在OPPORTUNITY数据集上展示了具有竞争力的准确性。
-
量子AI学习安全归因，而非仅仅合规
研究人员开发了一种名为干预感知变分量子可微预测控制（IA-VQC-DPC）的新方法，以更好地衡量AI策略的安全贡献与保护层之间的关系。该方法使用预算来训练量子电路策略，该预算会惩罚过度依赖安全过滤器。在建筑控制模拟器上的评估表明，IA-VQC-DPC显著减少了预过滤器违规和对安全层的依赖，表明策略层面的安全性有所提高。
-
受量子启发的算法提升机器学习表示
研究人员开发了将量子计算原理融入以增强机器学习模型的新方法。其中一种方法 QUIVER 使用量子 Fisher 视图来捕捉数据中的高阶相关性，从而提高分子性质预测和粒子识别等任务的性能。另一种方法侧重于通过使用生成模型合成门序列来优化量子机器学习的数据嵌入，从而在各种数据集上获得更好的分类性能。这些进展表明，即使在容错量子硬件广泛可用之前，量子几何特征也能为标准的机器学习任务提供显著价值。