基于量子机器学习的增材制造试样表面粗糙度预测方法
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
利用量子算法的机器学习方法可以用于提高金融预测的准确性,包括使用 DPP 提高 Ramdon Forest 模型的精度和设计量子神经网络架构降低经典性能所需的参数数量实现信用风险评估。
May, 2023
量子机器学习研究了快速化和精确推断方法,通过对 MNIST 和 MNIST Fashion 数据集进行实验,证明了反向训练对于提高单个样本推断准确性的有效性。
Oct, 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
量子计算在机器学习任务中的潜力使得核计算和模型精度得到显著提高。通过使用一类支持向量机和量子核,相对于经典对照方法,先前研究观察到了显着的平均精度改进。然而,传统计算这些核的方法对于数据大小具有二次时间复杂度,这在实际应用中带来了挑战。为了缓解这个问题,我们探索了两种不同的方法:利用随机测量来评估量子核以及实施可变子采样集合方法,这两种方法都针对线性时间复杂度。实验结果表明,采用这些方法的训练和推断时间大大减少,分别达到了 95% 和 25%,同时随机测量的平均精度明显优于经典径向基函数核,为进一步研究可扩展、高效的量子计算在机器学习中的应用方向提供了有希望的线索。
Dec, 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
该研究旨在避免使用大型实验计划来优化材料挤出中的表面粗糙度。通过使用机器学习模型,该研究提供了一种数据驱动的预测建模方法来自动预测基于文献和实验数据的表面粗糙度。研究结果表明,该方法在预测挤出式打印的表面粗糙度方面具有竞争力的结果。
Jun, 2024
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
量子内核被认为在量子机器学习的早期阶段能够提供有用性,但是高度复杂的经典模型很难在不丧失解释能力的情况下超越其,并且当数据稀缺且倾斜时经典模型遇到困难。在这项工作中,我们提出了一种称为系统量子分数(SQS)的新方法,并提供了初步结果,表明在金融部门的生产级用例中,它比纯粹的经典模型具有潜在优势。SQS 在我们的具体研究中表现出从较少数据点中提取模式的能力增加,以及在像 XGBoost 这样需要大量数据的算法上改善了性能,从而在竞争激烈的市场中提供了优势。
Mar, 2024
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