Nov, 2023

基于量子退火的非负 / 二元矩阵分解图像分类方法

PDF
TL;DR基于量子退火的矩阵分解方法在图像分类中与传统的机器学习方法进行了性能比较，发现在数据、特征和迭代次数较少的情况下，利用量子退火技术训练模型的准确性优于传统的神经网络，并且该技术还能显著减少计算时间。
quantum computingmachine learningmatrix factorizationimage classificationquantum annealing
发现论文，激发创造
  • 利用 D-Wave 量子退火器进行的非负 / 二进制矩阵分解

    本文介绍了如何使用 D-Wave 2X 作为无监督机器学习方法的一部分来分析大型数据集，该方法仅限于从数据集中提取的特征数量，并将此方法应用于学习一组面部图像的特征。

    Apr, 2017

  • 量子退火与经典机器学习应用于简化的计算生物学问题

    通过应用量子机器学习到纯化数据集中进行转录因子分类以及排序，我们发现与其他经典方法相比，量子机器学习在分类性能上略微优越。因此，我们提出量子退火可能是对某些计算生物学问题实施机器学习的有效方法。

    Feb, 2018

  • 基于退火量子玻尔兹曼机的大规模图像分类的迁移学习

    利用量子迁移学习 (QTL) 和量子退火 (QA) 的混合量子经典方法，通过将量子玻尔兹曼机引入混合量子经典管道，实现了对大规模医学图像的监督学习，取得了比传统迁移学习更好的分类性能。

    Nov, 2023

  • 贝叶斯均值参数化非负二进制矩阵分解

    本文提出了一种针对二元数据矩阵的基于贝叶斯平均参数非负矩阵分解的方法，并使用折叠吉布斯采样和折叠变分算法推断了因子的后验分布，同时将所提出方法拓展到非参数设置下，实现自动检测相关成分数量，实验证明该方法在词典学习和预测任务方面的性能优于现有技术。

    Dec, 2018

  • 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

  • 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

  • 量子机器学习用于图像分类

    本研究提出了两种混合量子 - 经典模型：具有平行量子层的神经网络和具有量子卷积层的神经网络，它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步提高图像识别和分类的能力，并为医疗保健、安全和市场营销等各个领域提供有前途的方法。

    Apr, 2023

  • 基于非负矩阵分解的多模态多视角聚类

    通过结合相关对象，无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中，我们提出了一项关于多模态聚类算法的研究，并提出了一种名为多模态多视图非负矩阵分解的新方法，其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明，所提出的方法具有较大的价值，并使用多种数据集进行评估，相比于现有的方法，获得了非常有前景的结果。

    Aug, 2023

  • 量子退火在深度神经网络训练中的应用

    本研究探究了使用 D-Wave 量子退火机器从 Restricted Boltzmann Machines 中生成样本来估计模型期望值的新方法，并在较粗粒度的 MNIST 数据集上进行训练测试，结果表明基于量子取样的训练方法可以在相对较少的生成性训练迭代次数内实现与传统 CD 方法相当或更高的精度。

    Oct, 2015

  • 量子玻尔兹曼机

    本文提出了一种新的基于量子玻尔兹曼分布的机器学习方法，即量子玻尔兹曼机。通过对量子概率引入边界，可以使该机器学习模型的训练高效进行，同时也探讨了使用 D-Wave 等量子退火处理器进行训练和应用的可能性。

    Jan, 2016