本文提出了一种简单而有效的方法，叫做生成式低比特数据无关量化 (GDFQ)，通过使用预训练模型中的分类边界知识和分布信息，利用知识匹配生成器生成有意义的虚假数据，从而消除数据依赖负担，来量化模型。在三个数据集上的广泛实验证明了本方法的有效性，并且在 4 位量化上的精确性要比现有的数据无关量化方法高得多。

Mar, 2020

提出了一种用于改进生成对抗网络（GAN）的混合量子 - 经典架构（QC-GAN），通过与传统神经网络和量子变分电路的结合，实现了比经典 GAN 更好的性能，在迭代次数和训练参数方面也更加高效。该研究同时展示了将量子计算与机器学习相结合在量子 - 人工智能领域和人工智能 - 量子领域的价值。

Feb, 2024

本研究提出了一种新的量子生成对抗网络（QuGANs），其中生成器和鉴别器配备了量子信息处理器，当数据由量子状态或经典数据组成时，该方法达到唯一固定点使生成器产生与数据相同的统计数据。

Apr, 2018

使用可编程硅量子光子芯片，我们首次在光子学中实验性地演示了 QGAN 模型，并研究了噪声和缺陷对其性能的影响。我们的结果显示，即使在生成器的相移器的一半受损，或者生成器和鉴别器的所有相移器受到高达 0.04π 的相位噪声的条件下，QGAN 可以生成高质量的量子数据，保真度超过 90％。我们的工作为在 NISQ 时代的量子硬件上实施 QGAN 提供了可行性的线索。

Oct, 2023

训练和推断量子机器学习模型的需求不断增长，为此我们提出了一种水印技术，利用在 qGAN 的训练阶段嵌入的噪声特征作为一种非侵入式的水印，用来追踪训练所使用过的具体量子硬件，从而提供强有力的所有权证明，并开发了一个机器学习分类器来提取这个水印，从而鉴定模型的真实性。

Apr, 2024

本研究探讨使用生成对抗网络合成数据作为用于量化方法校准的真实数据代替品，并比较使用 StyleGAN2-ADA 和预训练的 DiStyleGAN 生成的数据与真实数据和基于分形图像的替代数据生成方法量化的模型性能。结果表明，本方法具有潜力，其所选的模型精度下降百分比不到 0.6％，在 MobileNetV2 上实现了最佳性能（0.05％）。

May, 2023

本研究论文探索了在生成对抗网络（GANs）领域中将经典计算和量子计算范式融合的创新性方法，通过将量子计算元素无缝集成到传统 GAN 架构中，从而在增强训练过程方面开辟了新的途径。我们从量子位（qubits）的内在特性中获取灵感，深入研究了在 GAN 框架中融合量子数据表示方法。通过利用独特的量子特性，我们旨在加速 GAN 的训练过程，为生成模型的优化提供新的视角。本研究涉及理论考虑，并评估量子优势在训练效率和生成质量方面的潜在体现。我们应对了量子和经典结合所固有的挑战，解决了与量子硬件限制、误差校正机制和可扩展性相关的问题。这项研究处于量子增强机器学习的前沿，是在利用量子系统的计算能力加速生成对抗网络的训练方面迈出的关键一步。通过对经典和量子领域界面的全面研究，我们旨在揭示促进这一领域创新和推动量子机器学习前沿的转变性观点。

Dec, 2023

提出了第一个设计的量子 Wasserstein 生成对抗网络（WGANs），它已被证明在嘈杂的量子硬件上提高了量子生成模型的鲁棒性和可扩展性，即使是在经典模拟量子系统上也表现出了更为稳健和可扩展的数值性能，实现了一个近似于需要超过 10k 门的标准技术的 3 量子比特 1-d 哈密顿模拟电路的 50 门量子电路的生成。

Oct, 2019

使用更少的位数表示模型权重和激活，量化降低了内存使用、计算需求和延迟。我们研究了量化神经网络的泛化性质，首先通过理论模型表明了量化作为一种正则化的功能，其次通过与损失函数曲线陡峭度与泛化的相关性的研究，提出了一个近似限制量化模型泛化性的方法，通过在 CIFAR-10、CIFAR-100 和 ImageNet 数据集上对卷积和 Transformer 模型进行超过 2000 次实验进行验证。

Apr, 2024

本研究提出了一种基于 Batch Normalization 统计量的生成建模方法，能够为高层图像识别任务生成逼真的图像样本集合，来支持无需依赖真实数据的量化模型，实验表明该方法在 benchmark 数据集上有很好的性能表现。

Jan, 2021