May, 2023

CQural: 基于卷积神经网络的混合架构用于量子连续机器学习

PDF
TL;DR本研究论文中，作者提出使用新型混合经典 - 量子神经网络模型可以避免神经网络在永久学习中的灾难性遗忘问题。同时，模型训练还可以得到更好的性能并学习到最重要的特征。在 MNIST 和 CIFAR-10 数据集上，实验结果表明混合神经网络在记住类特定特征方面优于传统的神经网络。
incremental learningartificial general intelligencecatastrophic forgettingcontinual learningclassical-quantum neural networks
发现论文，激发创造
  • 混合量子 - 经典卷积神经网络

    本文提出了一种混合量子 - 经典卷积神经网络框架（QCCNN），它结合了卷积神经网络的重要特征以及量子计算特有的优势，适用于当前嘈杂的中尺度量子计算机，并通过 Tetris 数据集的分类任务证明了其优越性能。

    Nov, 2019

  • 强化连续学习

    本论文提出了一种称之为强化连续学习的方法，该方法通过巧妙设计的强化学习策略为每个任务搜索最佳神经架构，不仅能够在防止灾难性遗忘方面有很好的性能，还能够适应新任务。在 MNIST 和 CIFAR-100 数据集的连续分类任务实验中，该方法优于现有的深度网络连续学习替代方案。

    May, 2018

  • 学习贝叶斯原理的持续学习

    在当前深度学习时代，为了在训练神经网络时使用随机梯度下降处理非平稳流数据时减轻遗忘现象，我们采用元学习范式来结合神经网络的强表示能力与简单统计模型对遗忘现象的抵抗能力，在我们的新颖元持续学习框架中，持续学习仅在统计模型中进行，而神经网络在原始数据和统计模型之间进行元学习，由于神经网络在持续学习过程中保持不变，它们免受遗忘现象的影响。该方法不仅实现了显著提高的性能，而且具有出色的可伸缩性，由于我们的方法与领域和模型无关，因此可以应用于各种问题，并与现有模型架构轻松集成。

    May, 2024

  • 量子机器学习用于图像分类

    本研究提出了两种混合量子 - 经典模型：具有平行量子层的神经网络和具有量子卷积层的神经网络，它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步提高图像识别和分类的能力，并为医疗保健、安全和市场营销等各个领域提供有前途的方法。

    Apr, 2023

  • 神经网络中的持续学习

    通过研究任务增量设置和在线连续设置，本文提出了一些方法以解决神经网络的严重遗忘问题，并在不同的基准测试和学习序列上进行了评估，显示了连续学习技术现在的发展和应用面临的挑战。

    Oct, 2019

  • 连续变量量子神经网络

    该论文提出了一种建立在量子计算机上的神经网络的通用方法，即采用连续变量（CV）结构构建变分量子电路，其中使用高斯门和非高斯门分别实现仿射变换和非线性激活功能，此模型具有非线性和普适性，可以编码高度非线性变换。

    Jun, 2018

  • 量子与经典神经网络模型在图像分类任务中的比较

    研究了用于手写数字 MNIST 数据集分类问题的混合量子 - 经典神经网络的性能，结果表明虽然模拟时间较长，但是该模型优于传统网络，达到更好的收敛性和高的训练和测试精度。

    Aug, 2021

  • 量子与经典贡献在混合量子机器学习架构中的分解

    通过使用压缩数据和自动编码器结合量子组件，我们的研究表明在混合迁移学习中，经典组件显著影响分类结果，而这一贡献常常被错误地归因于量子元素。我们的模型表现与使用幅度嵌入的变分量子电路相一致，将其定位为一种可行的替代方案。

    Nov, 2023

  • 一项继续学习调查：在分类任务中应对遗忘

    本文研究了基于任务增量分类的持续学习方法，提出了一种新的框架来确定持续学习者的稳定性与可塑性的权衡， 并通过三个基准测试以及综合实验比较了 11 种持续学习方法和 4 种基线的方法的强弱和影响。

    Sep, 2019

  • 量子卷积神经网络（QCNN）教程

    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