QC-Forest 是一种经典 - 量子算法，用于在流式设置中高效地重新训练随机森林模型，实现多类分类和回归，其运行时间与累积样本总数的对数成倍数关系。

Jun, 2024

提出了两种新算法以及相应的下限，适用于树集合，展示了决策树和树集合分类训练数据集所需的切割数相比，随着树的数量增加，集合所需的切割数可能会指数级下降。

Jun, 2023

本文提出一种量子支持向量机分类器模型，实现有监督分类并取得了明显的量子加速，要求仅具备经典数据访问能力。在构造的数据集中，基于普遍认为的离散对数问题的困难性假设，该量子分类器实现的分类效果均优于无法逆多项式地超越瞎猜的经典学习器。这个模型可以通过一个容错的量子计算机来估算内积核函数，并且将数据映射为一个量子特征空间。此外，该分类器对由有限采样误差产生的内积核函数的加性误差具有一定的鲁棒性。

Oct, 2020

本研究介绍了 q-means 算法，一种用于聚类的新型量子算法，该算法具有与 $k$-means 类似的收敛性和精度保证，并且输出 $k$ 个集群中心的好近似值。此算法的运行时间呈多项式级别，优于经典算法，尤其适用于大型数据集。

Dec, 2018

本文旨在利用量子有限自动机 (QFA) 作为建模形式建立量子离散事件系统 (QDES) 的基本框架，并对 QDES 的监督控制定理进行建立和证明。同时，我们介绍了一种用于判断可控性条件是否成立的多项式时间算法。特别地，我们构造了许多新的 QFA 示例，以说明 QDES 在状态复杂性方面的优势。

Apr, 2021

本研究提供了数据流算法，以计算决策树学习中的最佳分割点，从而将数据分为两组，使得均方误差（对于回归）或误分类率（对于分类）最小化。这些算法利用亚线性空间和少量遍数解决这些问题，并可扩展到大规模并行计算模型。

Mar, 2024

引入了一种用于具有连续特征的分类树的移动视距差分进化算法 (MH-DEOCT)，通过在每个节点上迭代训练浅子树来平衡视觉和优化器能力，实验证明其在训练和测试准确性上优于启发式方法 CART 的平均 3.44% 和 1.71%，同时在深树和大规模数据集方面具有显著的可扩展性。

Nov, 2023

本文提出了适用于聚类分配和聚类查找的有监督和无监督的量子机器学习算法，利用量子计算能够处理高维向量的优势，实现了对于大量向量的分类问题的指数级加速。

Jul, 2013

本文介绍了一种新的分布式训练框架 Distributed Equivalent Substitution（DES）进行大规模推荐系统的训练，采用同步训练的方式，采用子操作替代了权重操作，在结果聚合方面也采用聚合部分结果代替直接传输稀疏权重的方式，通过在工业场景下的多个流行的深度学习推荐模型中成功应用 DES 训练，展示了比其他基于 PS 的推荐系统更高的 AUC 值和更高的吞吐量，并实现了高达 68.7% 的通信开销节约。

Sep, 2019

本文介绍了量子分类器与集成学习的结合，提出了量子分类器集成框架，实现了对训练数据的分类，从而推出了量子及经典机器学习领域中的新结果。

Apr, 2017