使用贪婪的量子搜索学习受限玻尔兹曼机
本文研究了深度模型中结构学习的可能性和益处,重点探讨了 Restricted Boltzmann Machines,介绍了一种 Sparse Boltzmann Machines 的学习方法,并通过实验结果显示 Sparse Boltzmann Machines 与 RBMs 相比具有更好的拟合和可解释性。
Sep, 2016
本文从网络科学的角度,提出了一种基于小世界和无标度网络拓扑结构的约束 Restricted Boltzmann Machines 模型,它能够大大减少权重数量,提高生成能力,而不增加计算成本。
Apr, 2016
通过凸优化过程将数据集的主要方向整合到低秩 RBM 中,从而通过静态蒙特卡罗过程实现平衡分布的高效采样,成功训练 RBM 来捕捉之前方法失败的高度结构化数据集中的全部多样性,并提出了一种新的采样方法 - 平行轨迹调整,使得能够比之前的 MCMC 方法更快地采样训练模型的平衡分布并更好地估计对数似然。
May, 2024
本研究探讨了如何通过量子神经网络来实现以图形结构的量子数据的量子机器学习,并证明了利用图的结构可以提高学习算法,我们进行了数值模拟并展示了出色的学习表现,推测在下一代量子计算设备上可实现可扩展的量子学习程序。
Mar, 2021
将 RBM 和 TNS 相连接,我们可以构建更强大的深度学习架构,并使用 TNS 内的纠缠熵限制来量化 RBM 的复杂数据集表现能力。同时,RBM 将量子多体状态表示为少量参数,这可能允许更有效的经典模拟。
Jan, 2017
本文描述了如何使用更高效的马尔可夫链蒙特卡罗算子来训练受限玻尔兹曼机 (RBM),以有效地处理自然语言处理中的高维度多项式观察值,通过在数百万个单词 n-gram 上训练 RBM,并使用所学特征来提高分块和情感分类任务的性能,从而实现了后一项的最新成果。
Feb, 2012
本文提出了一种从高维时间序列数据中提取少数基本隐藏变量的方法,并学习这些隐藏变量之间的状态转移规则的方法,实验结果表明该方法可以从观测到的状态转移中学习这些物理系统的动态,并预测未观测到的未来状态。
Dec, 2022
本文介绍了如何利用 Restricted Boltzmann Machines 模型表示多体系统的相互作用,并且通过离散辅助场将多体接触相互作用分解成一体算子,该方法可以扩展到更复杂的理论中,并提出了该方法在量子退火应用中的一些可能的应用以及如何通过机器学习来优化 RBM 参数。
May, 2020
本文提出了将人工神经网络用于蒙特卡罗方法的改进,使其在统计物理问题中的混合时间得以加速,具体应用于 Falicov-Kimball 模型,并在其相变点附近展示了接受比率和自相关时间的提高。
Oct, 2016