Sep, 2023

QUILT: 在量子计算机上利用多种不同的量子分类器集成进行有效的多类别分类

PDF
TL;DR量子计算机可以在理论上显著加速经典计算机；但是，由于量子比特数量有限且容易出错，近期的量子计算机时代受到限制。 Quilt 是一个针对当前容易出错的量子计算机设计的执行多类分类任务的框架。使用真实的量子机器和预期的噪音水平对 Quilt 进行评估，随着量子机器变得更加噪音自由。在一个五比特系统上，Quilt 展示了 MNIST 数据集多类分类准确度高达 85％。
quantum computersaccelerationclassical computersqubitsquilt
发现论文，激发创造
  • 量子分类器的量子集合

    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

  • 交互层的量子卷积神经网络用于经典数据的分类

    该研究介绍了一种使用三量子比特相互作用增加网络表达能力和纠缠能力的量子卷积网络，通过对 MNIST、Fashion MNIST 和 Iris 数据集进行二分类和多分类，发现其性能超越了现有的最先进方法。

    Jul, 2023

  • 量子机器学习图像分类

    本文探讨使用量子分类器对二进制属性进行模式分类，特别是对图像数据集的分类表现良好，对医学领域来说是具有很大潜力的。

    Nov, 2020

  • 多类量子卷积神经网络

    使用 PennyLane 实现的量子卷积神经网络（QCNN）通过参数化量子电路优化来最小化交叉熵损失，用于经典数据的多类分类，在 MNIST 数据集上的实验结果表明，对于 4 类问题，性能略低于经典 CNN，但对于更多类别的问题，量子卷积神经网络表现出更好的性能。

    Apr, 2024

  • 分层量子分类器

    本文研究发现使用具有分层结构的量子电路可以在量子态中完成经典数据的二分类，并且更加表达力的电路可以实现更高的准确性。在两个常规机器学习数据集和一个量子态数据集上比较了多个参数化的表现，并证明性能对于噪声具有鲁棒性，并将一个 Iris 数据集分类器部署到了 ibmqx4 量子计算机上。

    Apr, 2018

  • 监督式机器学习的严谨和鲁棒量子加速

    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

  • 利用慢特征分析进行 MNIST 数据集的量子分类

    本文提出了一个高效和高准确度的量子分类器，它利用降维和分类的量子技术，被测试在 MNIST 数据集上，具有类似经典方法的 98.5％准确度，并且在数据点和维度上的运行时间是多对数的。

    May, 2018

  • 混合量子计算机上的无监督机器学习

    利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题，并展示出在噪声环境下稳健的表现和经典优化方法的适用性。

    Dec, 2017

  • 基于纠缠的量子计算机机器学习

    利用小型光子量子计算机成功实现 2、4、8 维向量的有监督和无监督机器学习分类，这为利用量子计算机处理高维向量提供了新的可能性。

    Sep, 2014

  • 在量子计算机上对时尚 - MNIST 数据集进行分类

    量子机器学习算法对工业应用的潜在影响仍然是一个激动人心的待解问题，我们尝试通过改进一种近期提出的变分算法，用当前可用的量子计算机的本机门集合和拓扑结构逼近准备编码数据，将该算法应用于 Fashion-MNIST 数据集，并在当前量子计算机上部署简单的量子变分分类器对编码的数据集进行训练，实现了中等精度的结果，为我们的数据编码方法的近期可用性提供了概念验证。

    Mar, 2024