四元数卷积神经网络:当前进展与未来方向
通过使用四元数矩阵表示,我们提出了一个四元数卷积神经网络(QCNN)模型来在彩色图像分类和去噪任务中得到更具代表性的特征,并测试结果表明该模型优于具有相同结构的实值卷积神经网络。
Mar, 2019
本文研究基于多元代数的四元数卷积神经网络在彩色图像重建任务上的成功原因,发现其可以更好地学习内部和外部关系以及更少的参数数量与灰度训练的情况下,在重建未看到的彩色图像上表现较好。
Oct, 2018
该研究论文介绍了一种新的方法,使用四元数代替传统的时间帧维度元素作为输入特征来训练基于 QCNN 和 CTC 模型进行序列到序列映射的语音识别系统,实验结果表明,相较于基于传统卷积神经网络的竞争模型,该方法具有更高的准确率且参数更少。
Jun, 2018
本文介绍了如何使用四元数构建深度网络,通过在 CIFAR-10 和 CIFAR-100 数据集上进行端到端训练以及在 KITTI Road Segmentation 数据集上进行端到端训练,我们证明了四元数网络比实数网络和复数网络具有更好的收敛性能,在分割任务中表现尤为突出。
Dec, 2017
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
本文介绍了使用复数输入和权重构造卷积神经网络(CNN)的变形模型,以及提出的正则化方法解决训练 CNN 中的一些问题和困难,通过与真实 CNN 进行比较并应用于细胞检测问题进行实证验证,表明复杂模型比真实模型更不易过拟合且可检测出数据的有意义的相位结构。
Feb, 2016
我们介绍了一种新型的基于卷积神经网络的量子机器学习模型,并进行了分析。它采用了多尺度纠缠重正化基矢和量子纠错技术,具有高效的训练和实现能力,并展示了两个例子来证明其潜力。首先,我们使用 QCNN 准确识别了与一维对称保护拓扑相关的量子态,并发现其在整个参数范围内都能复制相图。其次,我们利用 QCNN 开发了一种优化给定误差模型的量子纠错方案,并发现其显著优于已知的可比较复杂度的量子码。最后,我们讨论了 QCNN 的潜在实验实现和拓展。
Oct, 2018
本文研究量子卷积神经网络与经典卷积神经网络、人工 / 经典神经网络模型之间的潜力差异,研究表明,根据输入大小和批量大小,量子卷积神经网络有可能在准确性和效率上胜过经典卷积神经网络和人工神经网络,表现出作为机器学习领域中强大工具的潜力。
Jul, 2023
该论文介绍了一个能够处理任意输入数据维度的量子卷积神经网络 (QCNN) 架构,优化了量子资源的分配,达到了优秀的分类性能,同时最小化了资源开销,为噪声和不完美情况下可靠量子计算提供了最佳解决方案。
Mar, 2024
本文介绍了一种新的变换层:quanvolutional layer,它可以通过在局部应用数个随机量子电路的方式对输入数据进行变换,类似于卷积过滤层。在 MNIST 数据集上的实验结果表明,用 QNN 可以比传统 CNN 享有更高的测试集精度和更快的训练速度。
Apr, 2019