本文介绍的结构受限玻尔兹曼机（Structural Restricted Boltzmann Machine）模型针对图像建模的应用，通过限制隐层单元与可见层子集的连接来显著降低可训练参数数量，而不会影响性能。通过对多个图像域进行广泛实验，评估使用 MNIST 数据集的图像去噪结果和五个不同图像域的分类性能，结果表明相比于无限制连接的 RBM，该模型具有更快、更稳定的训练，并且可以获得更好的结果。

Jun, 2023

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

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。

Jun, 2023

我们提出了一种统一的非局部方法的观点，用于单图像去噪，其中 BM3D 是最流行的代表，根据它们的相似性将噪声补丁收集在一起以进行协同处理。我们的一般估计框架基于二次风险的最小化，在两个步骤中近似，并适应光子和电子噪声。在第一步中依靠无偏风险估计（URE），在第二步中依靠从深度学习理论中借鉴的 “内部适应” 概念，我们展示了我们的方法能够重新解释和融合先前的最先进的非局部方法。在这个框架内，我们提出了一种名为 NL-Ridge 的新型去噪算法，它利用了补丁的线性组合。虽然在概念上更简单，但我们展示了 NL-Ridge 可以胜过成熟的最先进的单图像去噪算法。

Feb, 2024

本文从密度模型的角度出发，对高斯 - 二进制受限玻尔兹曼机（GRBM）进行理论分析，展示了 GRBM 的一些性能和限制，讨论了训练算法的几个关键点，并与其他改进的模型进行了比较。

Jan, 2014

通过训练和应用机器学习模型来识别和纠正量子处理图像中的噪声问题，我们可以弥补量子计算机产生的噪音并以高效率获取类似于经典计算机的处理结果。

Feb, 2024

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

本研究针对具有分布不确定性的贝叶斯积分优化问题使用分布鲁棒优化视角，提出了一种基于后验抽样的算法（DRBQO），旨在最大化最对抗分布下的预期目标，并通过贝叶斯遗憾度量其理论收敛性。我们在合成和真实世界问题中展示了我们提出的框架的实证有效性。

Jan, 2020

本研究利用量子力学硬件处理 NP-hard 的变优化问题，将图像识别问题转换为二次无约束二进制优化问题，进而利用 D-Wave 超导绝热量子计算（AQC）处理问题，该方法是一种有前途的特殊目的启发式算法解决方案。

Apr, 2008

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