May, 2023

量子核混合用于概率深度学习

PDF
TL;DR该研究通过量子密度矩阵的数学形式导出了一种新颖的概率深度学习方法，即量子核混合模型，旨在建立不同 iable 的模型进行密度估计、推理、采样，实现端到端深度神经模型集成，其具有广泛的应用价值，特别是在密度估计、判别学习和生成建模中展现出了显著的优势 。
probabilistic deep learningquantum kernel mixturesdensity estimationdiscriminative learninggenerative modeling
发现论文，激发创造
  • 去噪扩散概率模型的生成型量子机器学习

    基于经典对应物，我们提出了量子去噪扩散概率模型（QuDDPM），以实现对量子数据的高效可训练生成学习。

    Oct, 2023

  • 基于迹引发的量子核的统一框架

    将追踪引导的量子核方法与乐高核结合，提出了一种通用框架构建广义的追踪引导的量子核，通过增加模型复杂性，减少量子资源的使用，实现了与全局保真度相媲美的局部投影核的性能。

    Nov, 2023

  • 深度内核学习在控制合成中的潜力

    本研究提出了一种基于 Deep Kernel Learning 的框架，用于对具有复杂规范的随机动态系统进行控制合成，采用时态逻辑规范，并使用 Deep Kernel Learning 从数据中学习未知系统，并将其正式抽象为 Interval Markov Decision Process 进行带有正确性保证的控制合成。通过对包括一种 5 维非线性随机系统在内的各种基准测试的验证，证明了该方法的有效性，并展示了与最先进的竞争方法相比，使用 Deep Kernel Learning 进行控制合成的显著优势。

    Sep, 2023

  • 神经密度算子的潜空间净化

    本研究针对机器学习在与近期量子设备设计、验证甚至混合的潜力进行了探讨，其中一个核心问题是神经网络是否能够提供量子状态的可处理表示。通过基于受限玻尔兹曼机的密度矩阵参数化，本方法能够较好地应用于混合状态的编码，可用于无监督任务的生成建模和状态测量等诸多方面。通过数值实现并应用于一些典型的纠缠光子状态，达到了与标准技术相当的保真度。

    Jan, 2018

  • 基于核方法的监督量子机器学习模型

    用核方法重新描述监督式的量子模型，用支持向量机进行训练可以得到比变分电路训练更好或同等的结果。

    Jan, 2021

  • 多类定量的核密度估计

    我们在本文中提出了一种基于核密度估计的多元密度表示机制，称为 KDEy，通过实验证明 KDEy 在量化性能上优于现有的分布匹配方法，并与目前在量化领域中的最强竞争者期望最大化方法展开比较。

    Dec, 2023

  • 利用机器学习推断量子密度矩阵

    本文介绍了两种量子系统密度矩阵估计方法：量子最大似然法和量子变分推断法，它们利用构造可变分族来模拟混合量子态的密度矩阵，引入了量子流和适当的损失函数来导出感兴趣的本征态和本征值，用这种方法和传统的格技术比较，有新的估计密度矩阵的可能性。

    Apr, 2019

  • 关于离散分布的量子与经典可学习性

    本文比较了传统和量子学习者在 Probably Approximately Correct (PAC) 框架下的生成模型能力，并构造了一类离散概率分布，通过决策 Diffie-Hellman 假设证明传统生成模型算法无法高效 PAC 学习，但我们构建了一个高效的量子学习器。同时，本文还讨论了证明经典生成建模难度结果的技术，以及布尔函数和离散概率分布的 PAC 学习性之间的关系。

    Jul, 2020

  • 深度核学习的前景和风险

    研究深核学习在处理真实数据时可能存在的过拟合问题及其原因，使用 UCI、CIFAR-10 和 UTKFace 三个数据集进行实验验证。发现过度最大边缘似然优化可能会导致严重的过拟合问题，并通过完全贝叶斯方法得到了更好的性能提升。

    Feb, 2021

  • 用于密度矩阵的贝叶斯广义概率演算

    基于密度矩阵的概率计算包括定义联合、条件概率、与总概率定理类似的公式、贝叶斯规则、相对熵，其中相对熵版本的贝叶斯规则是由最小相对熵原理推导得到的，并且优化方向的不确定性可以通过一般化的方法来处理并得到相应的贝叶斯下限。

    Jan, 2009