基于量子减法聚类的自适应神经模糊网络
该论文介绍了一种新颖的分层融合量子模糊神经网络（HQFNN），与经典的 FDNN 不同，HQFNN 使用量子神经网络来学习模糊神经网络中的模糊隶属函数，模拟实验证明该模型在不确定数据分类任务上表现出色，并且还展示了所提出的量子电路的鲁棒性。
Mar, 2024
提出了一种可处理维度高达 7000 以上的神经模糊系统 AdaTSK，其中引入了一种自适应 softmin 算法，以有效地克服现有模糊系统在处理高维问题时出现的问题，并可在集成的 FSRE-AdaTSK 系统中进行特征选择和规则提取。
Jan, 2022
本研究提出了一种利用退火机的新型时间序列聚类方法，对时间序列数据进行分类的同时，具有去除异常值的鲁棒性。与现有的聚类方法相比，该方法在分类结果上获得了更好的表现。
May, 2023
基于量子核的支持向量回归的半监督异常检测方法优于其他模型，在 10 个真实数据集和 1 个玩具数据集上取得了最高的平均 AUC，相比量子自编码器在 11 个数据集中的 9 个数据集上性能更好。
Aug, 2023
本文提出了一种神经模糊推理系统，用于分类应用，可以选择不同的输入变量集合构建每个模糊规则的前提部分，且该方法比一些先前方法在某些真实世界分类问题中具有更好或非常接近的性能。
Oct, 2022
本论文提出了第一个完全量子联邦学习框架，该框架可以在量子数据上运行并以分散的方式共享量子电路参数的学习。论文首先生成了第一个分层数据格式的量子联邦数据集，然后将其提供给使用 QCNN 模型的客户端执行分类任务，并对提出的 QFL 解决方案进行广泛的实验以评估和验证其有效性。
May, 2021
我们提出一种基于费米模型的量子神经网络，其物理特性作为输出，并建立了与反向传播相媲美的高效优化，在具有挑战性的经典机器学习基准上具有竞争力的准确度，并且在量子系统上实现高精度且不需要预处理的机器学习，此外研究结果可用于量子纠缠分析和可解释的机器学习。
Nov, 2022
本研究探讨了一种可扩展的量子神经网络（SQNN）方法，通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。 对 MNIST 数据集进行的评估表明，相比于相同规模的常规 QNN 模型， SQNN 模型可以实现具有可比较的分类精度，并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。
Aug, 2022