基于测量算子的量子机器学习用于多类分类
本文介绍了利用量子机器学习技术应对网络安全挑战的方法,特别是基于 QSVM 模型在恶意软件分类和保护方面的应用,为网络安全学习者设计并开发了十个基于量子机器学习的学习模块,以实现学生中心化、案例研究为基础的学习方法。其中一个子主题被应用于一个包含预实验、实验和后实验活动的网络安全主题,以提供应对实际安全问题的量子机器学习经验。QSVM 模型在 drebin215 数据集上实现了 95% 的恶意软件分类和保护精度。
Jun, 2023
量子机器学习是量子计算的一个有潜力的早期使用案例,该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览,其包括从理论研究到数值模拟再到概念验证等多个方面的进展。
Apr, 2024
证明了量子机器学习在加速监督学习任务方面具有计算优势,通过构建广泛的监督学习任务,并使用通用量子计算方法,证明了这一学习任务对于任何可能的多项式时间经典学习方法的难度,并提供了实验中展示这一学习任务的经典数据准备协议。
Dec, 2023
本综述调查了在量子硬件上实现的监督学习和无监督学习应用,并探讨了其局限性及如何克服这些局限性。在此基础上,评估了这些 QML 实现与它们的经典对应物的性能表现,并讨论了应用 QML 在实际量子设备上存在的瓶颈和潜在解决方案。
Jul, 2023
本文针对 QSVM 模型的两种方法:量子核 SVM(QK-SVM)和量子变分 SVM(QV-SVM)进行研究,并提出了一种将二者优势相结合的新型模型:量子变分核 SVM(QVK-SVM)。实验结果表明,QVK-SVM 在准确性、损失和混淆矩阵指标方面均优于现有模型,具有很大的应用潜力,值得被推广应用于未来的量子机器学习研究。
May, 2023
量子技术快速扩展,量子机器学习在遥感领域的应用引起了广泛关注,本文调查了量子机器学习在遥感领域的潜力,并探讨了其面临的挑战,通过研究核值集中问题发现,量子计算机的性能受到了一定的负面影响,但并不完全否定量子机器学习在遥感中的潜在优势。
Nov, 2023
该研究论文综述了量子计算在机器学习中的应用,包括量子机器学习算法、量子数据集、硬件技术、软件工具、模拟器和应用程序,为读者提供了跳跃到量子机器学习领域的最新技术的有价值的信息和资源。
Oct, 2023
对四个量子机器学习模型在金融欺诈检测中进行了比较研究,证明量子支持向量分类器模型在欺诈和非欺诈类别上取得了最高性能,F1 分数达到了 0.98。其他模型如变分量子分类器、估计量子神经网络(QNN)和采样器 QNN 展示了有前景的结果,推动了量子机器学习在金融应用中的潜力。虽然它们存在一定的限制,但所得到的见解为未来的改进和优化策略铺平了道路。然而,现存的挑战包括需求更高效的量子算法和更大更复杂的数据集。本文提供了克服当前限制的解决方案,并为量子机器学习在欺诈检测领域做出了新的贡献,对其未来发展具有重要意义。
Aug, 2023
基于深度度量学习和量子计算的研究,提出了一种新的量子极化度量学习 (QPMeL) 方法,通过使用经典模型学习极坐标形式的量子比特参数,并结合浅层的参数化量子电路和可训练的量子门层进行训练,以实现更好的多类别分离效果。在与现有量子度量学习方法和经典网络相比较时,QPMeL 方法取得了较好的性能表现,为未来基于经典模型和量子损失函数的研究提供了有前景的方向。
Dec, 2023