Sep, 2023

用可证明的泛化加速量子机器学习模型的核心选择

PDF
TL;DR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。
quantum neural networksquantum kernelscoreset selectiontraining efficiencyquantum machine learning
发现论文，激发创造
  • 用 Coresets 训练量子 Boltzmann 机

    使用 coreset 技术加速量子算法在量子计算机上的训练时间，尤其是应用于 Quantum Boltzmann Machines 时的梯度下降算法，以减少计算时间并提高实际效益。

    Jul, 2023

  • 基于轮廓 Coreset 和变分量子本征求解的聚类

    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

  • 少数精华：加速和增强数据重新加权与核心集选择

    我们介绍了一种新颖的方法，通过核心子集选择进行重新加权，从而在计算时间和模型性能方面实现了优化，从而实现了计算效率和模型准确性之间的平衡。实验结果证实了这种方法的有效性，突出了它作为可扩展和精确的模型训练解决方案的潜力。

    Mar, 2024

  • 自适应核心集选择的高效量化感知训练

    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

  • 机器学习实用核心集构建

    本文研究 coresets 和机器学习领域中的最新进展，提出了一种理论上可行的框架来创建分类问题的 coresets，应用到了 $k$-means 聚类问题，同时总结了当前在 MLE 混合模型、贝叶斯非参数模型、主成分分析、回归和经验风险最小化等领域中已有的 coreset 构建算法。

    Mar, 2017

  • DeepCore: 深度学习中数据子集选择的全面库

    本文提出 DeepCore 库，并对目前主要的 coreset 选择方法在 CIFAR10 和 ImageNet 数据集上进行了实证研究，结果表明，虽然各种方法在某些实验设置上具有优势，但随机选择仍然是一个强有力的基准。

    Apr, 2022

  • 增强量子内核的神经自动设计师

    我们提出了一种数据驱动的方法，自动设计针对特定问题的量子特征映射，利用特征选择技术处理高维数据，通过深度神经预测器评估不同候选量子核的性能，通过广泛的数值模拟展示了我们方法的优越性，尤其是在消除核浓度问题和确定具有预测优势的特征映射方面。我们的工作不仅释放了量子内核增强实际任务的潜力，还强调了深度学习在推动量子机器学习方面的重要作用。

    Jan, 2024

  • 具有优先多目标的核心集选择

    深度学习算法中，通过核心集选择来减少计算成本和加速数据处理。在满足模型性能的前提下，通过优先级顺序，我们提出了一种创新方法来选择尽可能小的核心集，以更低的成本和更高的加速度实现更好的模型性能。

    Nov, 2023

  • 针对噪声标签的神经网络鲁棒训练核心集

    提出了一种基于 coresets 和梯度下降的方法来处理具有噪声标签的深度神经网络的鲁棒性训练问题，并证明该方法不会过拟合噪声标签，实验证明该方法取得了诸如在 CIFAR-10 上以 80％噪声标签训练后，准确度提高了 6％，在 mini Webvision 上准确度提高了 7％的显着优异表现。

    Nov, 2020

  • 分布式机器学习的鲁棒性核心集构建

    该文章提出了一种稳健的 coreset 构建算法，在中心化和分布式框架下生成符合一定理论条件的 coreset，以支持各类机器学习问题的高效求解。实验证明该算法具有较强的健壮性。

    Apr, 2019