Jun, 2023

利用突触型神经形态处理器采用二进制稀疏编码 QUBO 模型

PDF
TL;DR本研究探讨了计算图像稀疏二进制表示的问题，并使用 Loihi 1 神经形态芯片解决了二元稀疏编码问题，对比了其与经典的模拟退火方法的优劣。
sparse binary representationovercomplete basisquadratic unconstrained binary optimizationneuromorphic computingloihi 1
发现论文，激发创造
  • 比较量子退火与脉冲神经形态计算在二进制稀疏编码 QUBO 问题采样中的应用

    通过应用无监督词典特征学习方法，我们研究了稀疏二进制表示问题，并使用量子退火和 Loihi 2 神经形态处理器求解了该问题。我们的结果表明，量子退火在大多数情况下与模拟退火相似，但模拟退火总能找到最优解，而量子退火不能。Loihi 2 采样得到的解比其他方法更加稀疏，而且 Loihi 2 在性能上优于标准的 D-Wave 量子退火处理器。

    May, 2024

  • SUBIC: 一种用于图片搜索的有监督结构化二进制编码

    本研究提出了一种基于深度卷积神经网络实现的、有监督且压缩的、结构化二进制编码的方法。通过使用块 softmax 非线性和基于批次的熵损失，本方法可以使学习到的编码具有结构性，并在单一和交叉领域分类、实例检索和类别检索等任务中，表现出比基于深度哈希或结构化量化的现有压缩表示更好的性能。

    Aug, 2017

  • 基于 QUBO 和受限玻尔兹曼机的量子退火适用的图像去噪框架

    研究了一种基于受限玻尔兹曼机的二元图像去噪框架，其引入了一个二次无约束二元优化（QUBO）形式的去噪目标，非常适用于量子退火。

    Jul, 2023

  • QUBO 模型的表述和应用教程

    该论文介绍了 QUBO 模型的基本特征，以及它在优化领域中的重要性，涵盖了与物理中的 Ising 问题，量子退火，神经形态计算等领域密切相关的专业术语，并详细阐述了如何使用 QUBO 模型在许多不同的应用中展示其潜力和灵活性。

    Nov, 2018

  • 半定松弛和增广拉格朗日法的二进制哈希

    该论文提出了两种方法来推断二进制代码的二步（监督式，无监督式）哈希。它们首先介绍了一种统一的公式，然后将得到一位的学习表示为二进制二次问题（BQP），最后提出了解决 BQP 的两种方法，并在三个基准数据集上进行了实验证明其优于现有技术。

    Jul, 2016

  • 使用展开网络进行聚类归纳偏差

    在这篇论文中，我们提出了一种自动编码器架构（WLSC），其潜在表示通过二分图的拉普拉斯二次形式实现了隐式的、本地的谱聚类，生成了一组多样的人工感受野，与 V1 的灵长类动物数据具有相近的一致性，而且也展示了我们的正则化可以被解释为感受野对特定刺激类别的早期专门化，即我们为之后的皮质阶段引入了弱的聚类偏差，这是已知的功能性和空间分离（即拓扑）发生的地方。这些结果表明，在对 V1 及其之后的特征分离进行描述时，对感受野和放电率进行空间正则化至关重要。

    Nov, 2023

  • 二次无约束二进制优化问题预处理：理论与实证分析

    此研究提出了一种通过识别可以预定的最优变量来减少 QUBO 矩阵的规模并从而改善优化问题解决质量和时间的方法，并分析了对此规模减小技术最有影响的 QUBO 结构特征。

    May, 2017

  • 稀疏编码：利用无标签数据进行高级表示的深度学习

    利用高级别表示数据来帮助无监督学习任务的稀疏编码算法，通过 L1 正则化凸优化算法从无标签类别的高级别表示数据中推导出的优化解，以此描述使用稀疏编码的深度学习算法。

    Apr, 2014

  • 使用 D-Wave 2X 上的量子推理进行图像分类

    利用量子退火 D-Wave 2X 计算机实现稀疏编码问题的最优解，通过瓶颈自编码器将 MNIST 图像降维，再使用类似 AlexNet 的 TensorFlow 结构进行分类。利用线性支持向量机对 D-Wave 2X 推断出的稀疏表示进行分类，分类准确率高达 95.68%。

    May, 2019

  • 基于图神经网络的 QUBO 规划激发哈密顿损失函数用于组合优化的强化学习

    通过引入 QUBO 变换哈密顿量和建立 RL 模型的奖励函数，我们提出了一种改进 PI-GNN 算法的方法，并采用 Monty Carlo Tree Search 策略和 GNN 结合进行训练，实验结果表明在满足约束条件方面有 44% 的改进。

    Nov, 2023