证明了结构简单的 PQCs 在生成任务中具有比任何经典神经网络更好的表达能力，PQCs 在贝叶斯学习和半监督学习中的应用前景广阔。
Oct, 2018
本文提出基于量子参数电路的新型量子图卷积神经网络（QGCN）模型，利用量子系统的计算能力实现传统机器学习中的图分类任务，并在图数据集上呈现了良好的性能。
Jul, 2021
我们介绍了一种新型的基于卷积神经网络的量子机器学习模型，并进行了分析。它采用了多尺度纠缠重正化基矢和量子纠错技术，具有高效的训练和实现能力，并展示了两个例子来证明其潜力。首先，我们使用 QCNN 准确识别了与一维对称保护拓扑相关的量子态，并发现其在整个参数范围内都能复制相图。其次，我们利用 QCNN 开发了一种优化给定误差模型的量子纠错方案，并发现其显著优于已知的可比较复杂度的量子码。最后，我们讨论了 QCNN 的潜在实验实现和拓展。
该研究论文探讨了参数化量子电路（PQCs）与量子噪声的关系，并提出了一种基于扩散的学习方法，以减小 PQCs 中的量子噪声并降低特定任务的误差。通过实验证明了该学习策略的高效性，并在量子噪声情景中在分类任务上取得了最先进的性能。
Jun, 2024
本篇论文介绍了一个基于后量子密码技术和量子联邦学习的动态服务器选择框架，在研究收敛性和安全条件的基础上做出了实现与结果。
Apr, 2023
提出一种新型的可伸缩量子卷积神经网络 (sQCNN)，并提供了一种名为反保真度训练 (RF-Train) 的训练算法用于提高 sQCNN 的性能。该网络为量子神经网络 (QNN) 的一种进化，拥有处理高维向量输入的能力，并且可以解决传统 QNN 的局限性。
Sep, 2022
量子计算与混合量子经典计算结合的后变分策略，通过集成策略优化量子模型的方法以及构建个体量子电路的设计原则、后变分量子神经网络的架构设计以及估计误差的传播分析，能够应用于图像分类等实际应用，并实现 96% 的分类准确率。
Jul, 2023
介绍了 QuantumLeak，一种从基于云计算的 NISQ 机器中提取 QNN 模型的有效准确的技术，相比现有的经典模型窃取技术，QuantumLeak 在各种数据集和 VQC 架构上提高了 4.99%~7.35% 的本地 VQC 准确度。
Mar, 2024
该论文介绍了一个能够处理任意输入数据维度的量子卷积神经网络 (QCNN) 架构，优化了量子资源的分配，达到了优秀的分类性能，同时最小化了资源开销，为噪声和不完美情况下可靠量子计算提供了最佳解决方案。
本文介绍了 CompVQC 框架，一种量子神经网络（QNN）压缩的系统性方法，使用交替方向乘子法（ADMM）的压缩算法，展示了 CompVQC 在减少电路深度（超过 2.5%）且精度损失极小（<1%）方面的优越性，另外 CompVQC 也提高了 QNN 在噪声量子设备上的鲁棒性。
Jul, 2022