四元数卷积神经网络
本文研究基于多元代数的四元数卷积神经网络在彩色图像重建任务上的成功原因,发现其可以更好地学习内部和外部关系以及更少的参数数量与灰度训练的情况下,在重建未看到的彩色图像上表现较好。
Oct, 2018
该研究论文介绍了一种新的方法,使用四元数代替传统的时间帧维度元素作为输入特征来训练基于 QCNN 和 CTC 模型进行序列到序列映射的语音识别系统,实验结果表明,相较于基于传统卷积神经网络的竞争模型,该方法具有更高的准确率且参数更少。
Jun, 2018
本文介绍了如何使用四元数构建深度网络,通过在 CIFAR-10 和 CIFAR-100 数据集上进行端到端训练以及在 KITTI Road Segmentation 数据集上进行端到端训练,我们证明了四元数网络比实数网络和复数网络具有更好的收敛性能,在分割任务中表现尤为突出。
Dec, 2017
本研究探讨了在量子计算环境中使用多尺度纠缠重整化 ANSATZ 计算的量子卷积神经网络 (QCNN) 和将 QCNN 层添加到现有的 CNN 学习模型中以提高性能的方法,并通过与 TensorFlow Quantum 平台中使用的 MNIST 数据集的训练验证了 QCNN 模型的高效学习能力。
Sep, 2020
我们介绍了一种新型的基于卷积神经网络的量子机器学习模型,并进行了分析。它采用了多尺度纠缠重正化基矢和量子纠错技术,具有高效的训练和实现能力,并展示了两个例子来证明其潜力。首先,我们使用 QCNN 准确识别了与一维对称保护拓扑相关的量子态,并发现其在整个参数范围内都能复制相图。其次,我们利用 QCNN 开发了一种优化给定误差模型的量子纠错方案,并发现其显著优于已知的可比较复杂度的量子码。最后,我们讨论了 QCNN 的潜在实验实现和拓展。
Oct, 2018
本文介绍了一种新的变换层:quanvolutional layer,它可以通过在局部应用数个随机量子电路的方式对输入数据进行变换,类似于卷积过滤层。在 MNIST 数据集上的实验结果表明,用 QNN 可以比传统 CNN 享有更高的测试集精度和更快的训练速度。
Apr, 2019
该研究提出了一种名为量化卷积神经网络的模型,旨在通过量化卷积层中的滤波器核和全连接层中的权重矩阵,实现计算效率的提升和存储内存开销的降低,相对于非量化模型,该模型在 ILSVRC-12 基准测试中达到 4~6 倍的加速和 15~20 倍的压缩,仅有 1% 左右的分类准确率损失,并且甚至可以在移动设备上在一秒内精准分类照片。
Dec, 2015
本文研究量子卷积神经网络与经典卷积神经网络、人工 / 经典神经网络模型之间的潜力差异,研究表明,根据输入大小和批量大小,量子卷积神经网络有可能在准确性和效率上胜过经典卷积神经网络和人工神经网络,表现出作为机器学习领域中强大工具的潜力。
Jul, 2023
该论文介绍了一个能够处理任意输入数据维度的量子卷积神经网络 (QCNN) 架构,优化了量子资源的分配,达到了优秀的分类性能,同时最小化了资源开销,为噪声和不完美情况下可靠量子计算提供了最佳解决方案。
Mar, 2024