探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处,提出了一种用于评估量子学习任务潜在优势的方法,并提出了一种通过量子速度提高学习效率的量子机器学习模型。
Nov, 2020
量子内核被认为在量子机器学习的早期阶段能够提供有用性,但是高度复杂的经典模型很难在不丧失解释能力的情况下超越其,并且当数据稀缺且倾斜时经典模型遇到困难。在这项工作中,我们提出了一种称为系统量子分数(SQS)的新方法,并提供了初步结果,表明在金融部门的生产级用例中,它比纯粹的经典模型具有潜在优势。SQS 在我们的具体研究中表现出从较少数据点中提取模式的能力增加,以及在像 XGBoost 这样需要大量数据的算法上改善了性能,从而在竞争激烈的市场中提供了优势。
Mar, 2024
本研究探讨了利用基于张量网络的生成模型在分子发现问题上的应用,并将其与其他模型进行了比较和评估,结果表明通过模型的组合可以取得更好的结果,提高了经典和量子 (- 启发式) 生成学习的统一性。
Apr, 2023
本文提出了一种量子算法,通过对 $m imes n$ 偏好矩阵的高效近似采样,设计一种有效的量子程序来将一个给定向量投影到一个给定矩阵的行空间上,从而在矩阵维度的对数级别时间内为个性化推荐系统提供了一个机器学习案例。
Mar, 2016
本研究提出了一种自我学习的方法,使用无人干预的生成式模型来描述量子状态,通过研究该模型学习到的内在表示方式及其对量子态的理解,我们证明该方法具有实现可解释机器学习量子态的潜力,且能够进行自主学习,并为机器学习如何自我学习小规模量子系统提供了见解。
Jun, 2023
提出了一系列以数据为中心的启发式方法来改善机器学习系统在量子信息科学问题上的表现。具体而言,我们考虑如何通过系统地构建训练集来显著提高用于量子状态重构的预训练神经网络的准确性,而不改变底层架构。
Jan, 2022
利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题,并展示出在噪声环境下稳健的表现和经典优化方法的适用性。
Dec, 2017
比较量子机器学习和经典机器学习模型中的特征重要性和解释性,使用 IBM 的 Qiskit 平台的混合量子算法(Variational Quantum Classifier 和 Quantum Support Vector Classifier)和经典算法(SVM 和 Random Forests)对广为认可的 Iris 数据集进行实验,并使用置换、去一特征重要性方法以及 ALE 和 SHAP 解释器产生的见解进行对比。
May, 2024
本文总结了最新的量子认知启发情绪分析模型的发展,这些模型通过运用量子概率与深度神经网络相结合来解决情绪分析中所面临的挑战,并展示了相对传统模型的优势以及未来的研究方向。
通过经典模拟进行基准测试是在没有无噪声硬件之前评估量子机器学习想法的主要方法之一。然而,实验设计的巨大影响、当今可行范围内的小规模以及受量子技术商业化影响的叙事使得难以获得稳健的见解。为了促进更好的决策,我们开发了一个基于 PennyLane 软件框架的开源包,并使用它对 12 个流行的量子机器学习模型在 6 个二分类任务上进行了大规模研究,这些任务用于创建 160 个单独的数据集。我们发现整体而言,开箱即用的经典机器学习模型优于量子分类器。此外,将一个量子模型中的纠缠去除往往会导致同样好或更好的性能,这表明在这里考虑的小学习任务中,“量子性” 可能不是关键因素。我们的基准测试还开启了超越简单排行榜比较的研究,并从我们的结果中提出了五个与量子模型设计相关的重要问题。