Variational Quantum Classifiers
PulseAugur coverage of Variational Quantum Classifiers — every cluster mentioning Variational Quantum Classifiers across labs, papers, and developer communities, ranked by signal.
-
New geometric approach to learning in neural networks and quantum circuits
研究人员开发了一种新颖的机器学习方法，将深度神经网络和变分量子电路视为乘积 Wasserstein 流形上的梯度流。这种几何视角将权重分布视为内在几何结构，而不仅仅是约束，从而可能增强模型容量。该研究为深度网络引入了分层平均场描述，并将其扩展到量子领域，提出了分层 DisCo-SGD 和 Quantum DisCo 等实用算法。实验表明，该方法提高了泛化能力，稳定了训练，并缓解了量子神经网络中的贫瘠平原问题。
-
量子持续学习采用新的QFI方法解决遗忘问题
研究人员引入了一种名为量子弹性权重巩固（QEWC）的新型正则化方法，以解决量子持续学习中的灾难性遗忘问题。与依赖经典费舍尔信息的传统方法不同，QEWC利用量子费舍尔信息（QFI）来衡量参数化量子态的敏感性。这种方法提供了信息几何的视角，通过分析量子态流形的局部响应来识别关键参数。在变分量子分类器上的评估表明，与无正则化训练或使用基于经典费舍尔信息的方法相比，QEWC能有效提高先前学习任务的保留率。
-
量子分类器因测量成本而对梯度攻击显示出固有的防御能力
研究人员分析了对抗性攻击量子分类器的成本，发现有限的量子测量统计数据（即散粒噪声）可以作为一种防御机制。该研究量化了基于梯度的攻击所需的测量预算，表明其随着分类器输入维度的增加而呈不利的比例增长。这与经典机器学习形成对比，后者通常梯度估计更有效，表明量子分类器可能提供一定程度的固有鲁棒性，抵御某些类型的攻击，尤其是在模拟量子系统计算成本高昂的情况下。
-
量子机器学习论文解决噪声和可靠性问题
两篇新研究论文探讨了量子机器学习的进展，重点关注提高可靠性和不确定性量化。第一篇论文介绍了一种使用幅度编码和经典预编码的变分量子分类器，以提高鲁棒性和可解释性，并取得了与经典基线相比具有竞争力的性能。第二篇论文通过提出一种自适应量子保形预测算法来解决量子处理器中的噪声挑战，该算法可随着时间的推移保持有效的不确定性保证，并在真实的量子硬件上展示了改进的稳定性。
-
量子自编码器增强视觉学习并防御对抗性攻击
研究人员开发了量子掩码自编码器（QMAEs），能够学习量子态中缺失的特征，在图像重建任务中表现优于标准的量子自编码器。此外，一个新的防御框架利用量子自编码器在量子分类器中净化对抗性样本，无需对抗性训练，显著提高了受攻击下的预测准确性。该框架还包括一个置信度指标，用于识别无法净化的样本。