通过选择核心集合来优化量子神经网络和量子内核的训练效率，研究分析了通过核心集合训练的量子神经网络和量子内核的泛化误差界限，并通过数值模拟揭示了核心集合选择在合成数据分类、量子相关性识别和量子编译等任务中的潜力。该研究提供了一种改进多样的量子机器学习模型并减少训练成本的有效方法。

Sep, 2023

本文提出了一种新的基于量子玻尔兹曼分布的机器学习方法，即量子玻尔兹曼机。通过对量子概率引入边界，可以使该机器学习模型的训练高效进行，同时也探讨了使用 D-Wave 等量子退火处理器进行训练和应用的可能性。

Jan, 2016

本研究介绍一种混合经典 - 量子算法来解决大规模经典数据集和量子计算机只能对模型空间进行叠加访问的问题。该算法使用数据减少技术构建称为 coreset 的加权子集，通过量子计算机执行 Grover 搜索或拒绝取样，从而在最大似然估计，贝叶斯推断和鞍点优化方面实现了量子加速。具体的应用包括 k-means 聚类，逻辑回归，零和博弈和提升。

Mar, 2020

本研究提出了一种基于量子电路学习的算法，可以利用本地门和量子位连接等量子硬件能力来协助量子设备的表征，并训练浅层电路进行生成式任务。此方法可以学习绿伯格 - 霍恩 - 泽林格（Greenberger-Horne-Zeilinger）状态的最佳制备方法，也可以有效地制备连续热态的近似表示，其波函数在其幅度中编码玻尔兹曼概率。最后，研究提供了一种新的硬件无关指标，称为 qBAS 得分，可用于衡量近期量子设备的性能。

Jan, 2018

我们提出使用变分量子本征求解器 (VQE) 和定制的 Contour 核心集方法来解决 k-means 聚类问题，与现有的 QAOA + 核心集 k-means 聚类方法相比，我们的 VQE + Contour 核心集方法在高准确性和较低标准差方面表现更好。

Dec, 2023

本文提出一种基于虚时间演化的变分量子 Gibbs 状态逼近方法，实现了与临近中期的量子计算机兼容的量子 Boltzmann 机械训练方法，同时支持任意参数哈密顿量的梯度下降求解，适用于生成学习与判别学习任务。

Jun, 2020

本文介绍了一种新的方法 —— 稀疏哈密顿流，它可以提高贝叶斯核心集合的构建效率，通过代替数据集来减少计算成本，同时在构建后不需要进行次要的推断，并提供与数据边缘证据的界限。理论结果显示，该方法在典型模型中使数据集压缩呈指数级，而准周期动量可以使 KL 散度降至目标；而实验结果表明，与竞争的基于动力系统的推断方法相比，稀疏哈密顿流提供了准确的后验近似并显著减少了运行时间。

Mar, 2022

本文提出一种基于 coreset selection 的 quantization-aware adaptive coreset selection (ACS) 方法，以提高 quantization-aware training 的训练效率。该方法通过 error vector score 和 disagreement score 量化每个样本的重要性，并根据这些指标选择数据进行训练，在多个网络和数据集上获得了显著的提高。

Jun, 2023

本研究提出了一种基于稀疏约束变分推断视角的 Riemannian coresets 构建算法，与过去的方法相比，该算法不需要一个合理的后验近似。实验结果表明，提出的算法能够不断改善 coreset，大大减小 KL 散度，从而提供最先进的 Bayesian 数据集概括。

Jun, 2019

该研究利用数据冗余缩小数据集作为预处理步骤，通过 Bayesian coreset framework 建立 Hilbert coresets，即在对数似然函数空间的内积引导下构造的 Bayesian coreset，提供具有理论保证的全自动可伸缩的 Bayesian 推断，从而提高了推断的质量，降低了计算成本。

Oct, 2017