量子多模型拟合
该论文提出了一种使用混合量子经典算法的鲁棒拟合方法,采用一系列整型规划求解并实现全局解或误差界限,该方法可为计算机视觉中的随机启发式算法提供较实用的改进。
Jan, 2022
提供一种新的量子算法,通过基于解决线性方程组的有效算法(Harrow et al. Phys. Rev. Lett. 103, 150502(2009))来高效确定指数级数据集上最小二乘拟合的质量。在许多情况下,我们的算法还可以高效地找到简洁的函数来逼近要拟合的数据并限制逼近误差。对于输入数据为纯量子态的情况,该算法可以用于提供量子态的有效参数估计,因此可以作为给定容错量子计算机的完整量子态测量的替代方案。
Apr, 2012
基于量子退火的矩阵分解方法在图像分类中与传统的机器学习方法进行了性能比较,发现在数据、特征和迭代次数较少的情况下,利用量子退火技术训练模型的准确性优于传统的神经网络,并且该技术还能显著减少计算时间。
Nov, 2023
本研究提出了一种新颖的方法,量子支持向量机特征选择(QSVMF),将量子支持向量机与多目标遗传算法相结合。QSVMF 通过优化多个同时目标来实现:最大化分类准确性,最小化选定特征和量子电路成本,并减少特征协方差。我们将 QSVMF 应用于一个乳腺癌数据集进行特征选择,将 QSVMF 与传统方法在选定特征上的性能进行对比。实验结果表明,QSVMF 取得了卓越的性能。此外,QSVMF 的帕累托前缘解能够分析准确性与特征集大小的权衡,识别出极度稀疏但准确的特征子集。我们从已知的乳腺癌生物标志物的角度解释了所选特征的生物学相关性。本研究强调了量子特征选择在提高机器学习效率和性能方面的潜力,尤其是在处理复杂的真实世界数据时。
Nov, 2023
本论文提出了第一个针对使用 AQC 求解的 MOT 公式。通过使用描述在 AQC 上实现的量子力学系统的 Ising 模型,我们证明了该方法即使在使用现成的整数规划求解器时也可以与最先进的基于优化的方法竞争。最后,我们证明了 MOT 问题在当前一代真实量子计算机上可以解决小例子,并分析了测量解的属性。
Feb, 2022
该论文提出了一种处理量子机器学习中普遍存在的不确定性的通用方法学,该方法可以在训练数据量有限、量子计算硬件噪声存在的情况下可靠地度量量子模型的不确定,并基于概率共同预测来达到对真实目标的可信度量。
Apr, 2023
本文提出了一个名为 MAQA 的通用,高效框架,可以重现利用量子计算优势解决典型监督学习问题的各种经典监督机器学习算法的输出,并允许生成大量的不同模型转换。MAQA 可作为所有聚合多个函数模型(如集成算法和神经网络)的量子对应物,并且可以作为混合量子 - 经典和容错量子算法的采用。
Mar, 2023