金融领域中的量子生成对抗网络(qGAN)和量子混合密度矩阵(QCBM)的实施
本文研究如何在量子领域扩展敌对训练的概念,并展示如何构建使用量子电路的生成性对抗网络。我们还展示了如何利用另一个量子电路计算梯度,同时提供了一个简单实用的电路 ansatz 来参数化量子机器学习模型,并进行了简单的数值实验以证明量子生成对抗网络可以成功地进行训练。
Apr, 2018
利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高,本文对量子计算、机器学习和量子机器学习算法进行了探讨,并提供了一个简化的步骤,可以帮助读者建立量子机器学习算法的模拟。此外,通过在数据集上利用机器学习和量子机器学习方法进行模拟,利用量子模拟器对它们的性能进行了比较。
Nov, 2023
量子机器学习是量子计算的一个有潜力的早期使用案例,该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览,其包括从理论研究到数值模拟再到概念验证等多个方面的进展。
Apr, 2024
对四个量子机器学习模型在金融欺诈检测中进行了比较研究,证明量子支持向量分类器模型在欺诈和非欺诈类别上取得了最高性能,F1 分数达到了 0.98。其他模型如变分量子分类器、估计量子神经网络(QNN)和采样器 QNN 展示了有前景的结果,推动了量子机器学习在金融应用中的潜力。虽然它们存在一定的限制,但所得到的见解为未来的改进和优化策略铺平了道路。然而,现存的挑战包括需求更高效的量子算法和更大更复杂的数据集。本文提供了克服当前限制的解决方案,并为量子机器学习在欺诈检测领域做出了新的贡献,对其未来发展具有重要意义。
Aug, 2023
本论文提出了第一个完全量子联邦学习框架,该框架可以在量子数据上运行并以分散的方式共享量子电路参数的学习。论文首先生成了第一个分层数据格式的量子联邦数据集,然后将其提供给使用 QCNN 模型的客户端执行分类任务,并对提出的 QFL 解决方案进行广泛的实验以评估和验证其有效性。
May, 2021
提出了一种学习多模态分布的框架 —— 条件量子生成对抗网络(C-qGAN),该神经网络结构严格在量子电路内,因此显示出比当前方法更有效的状态准备程序。将这一方法应用于定价亚式期权衍生品,为进一步研究其他路径依赖期权打下了基础。
Apr, 2023
量子启发式机器学习(QiML)是一个新兴的领域,受到全球研究人员的关注,因为它有潜力在经典计算框架中利用量子力学原理。本文通过对 QiML 进行综合和全面的调查,探索了 QiML 的多个研究领域,包括张量网络模拟、去量化算法等,展示了最新进展、实际应用,并揭示了潜在的未来研究方向。同时,通过分析对 QiML 的不同解释及其固有的模糊性,确立了 QiML 的具体定义。在量子力学、量子计算和经典机器学习的基础上,QiML 将不断发展,并丰富该领域的未来。本调查为研究人员和从业人员提供指南,帮助他们全面了解 QiML 的现状和未来发展方向。
Aug, 2023
本研究论文探索了在生成对抗网络(GANs)领域中将经典计算和量子计算范式融合的创新性方法,通过将量子计算元素无缝集成到传统 GAN 架构中,从而在增强训练过程方面开辟了新的途径。我们从量子位(qubits)的内在特性中获取灵感,深入研究了在 GAN 框架中融合量子数据表示方法。通过利用独特的量子特性,我们旨在加速 GAN 的训练过程,为生成模型的优化提供新的视角。本研究涉及理论考虑,并评估量子优势在训练效率和生成质量方面的潜在体现。我们应对了量子和经典结合所固有的挑战,解决了与量子硬件限制、误差校正机制和可扩展性相关的问题。这项研究处于量子增强机器学习的前沿,是在利用量子系统的计算能力加速生成对抗网络的训练方面迈出的关键一步。通过对经典和量子领域界面的全面研究,我们旨在揭示促进这一领域创新和推动量子机器学习前沿的转变性观点。
Dec, 2023
本研究提出了一种新的量子生成对抗网络(QuGANs),其中生成器和鉴别器配备了量子信息处理器,当数据由量子状态或经典数据组成时,该方法达到唯一固定点使生成器产生与数据相同的统计数据。
Apr, 2018
量子算法对金融风险管理具有转变性影响,通过利用量子计算机固有的计算能力,可以提供强大且有效的解决方案,包括金融犯罪检测、预防洗钱、加密货币攻击和市场操纵等方面的问题,并能支持加强的金融风险管理分析。
Mar, 2024