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

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

本文介绍了首个大规模 MNISQ 数据集，用于量子和经典机器学习社区在嘈杂中间规模量子时代的研究。该数据集包括 495 万个数据点，由 9 个子数据集组成，并提供了量子表单和量子编程语言形式的数据。同时，在对量子回路数据分类方面，我们测试了包括量子核方法和经典模型在内的多重模型，结果表明量子电路具有量子优势，同时现有的机器学习方法也可以对其进行准确分类和识别。

Jun, 2023

该研究探索了将量子数据嵌入技术与经典机器学习算法相结合，旨在评估在各种模型上的性能增强和计算效果。我们探索了多种经典到量子的映射方法，包括基编码、角度编码和幅度编码，通过对包括逻辑回归、K 近邻、支持向量机以及随机森林、LightGBM、AdaBoost 和 CatBoost 在内的流行机器学习算法进行广泛的实证研究，发现量子数据嵌入有助于改善分类准确性和 F1 分数，尤其在与增强特征表示有关的模型中表现突出。我们观察到运行时间方面存在微妙的影响，低复杂度模型展示了适度的增加，而计算复杂度更高的模型则经历了明显的变化。值得注意的是，集成方法在性能提升和计算开销之间表现出有利的平衡。该研究强调了量子数据嵌入在增强经典机器学习模型方面的潜力，并强调了在性能改进与计算成本之间权衡的重要性。未来的研究方向可能涉及优化计算效率的量子编码过程以及在实际应用中的可扩展性。我们的工作为量子计算和经典机器学习交叉领域的不断增长的知识贡献了见解，为寻求利用量子启发技术的研究人员和实践者提供了洞察。

Nov, 2023

使用低温量子门进行量子计算机机器学习是实验上挑战性的，因此我们提出了一个在室温下的 “玩具模型”，通过光学变换实现了对 MNIST/Fashion-MNIST 数据的分类，并展示了量子力学测量过程的教学工具。

Aug, 2020

本文研究了数据编码策略对参数化量子电路作为函数逼近器的表达能力的影响，发现量子模型可以被自然地写成数据的部分傅里叶级数，通过多次反复简单的数据编码门，量子模型可以访问越来越丰富的频率光谱，发现存在一些量子模型可以实现所有可能的傅里叶系数集，因此如果可访问频谱足够丰富，则这些模型是通用函数逼近器。

Aug, 2020

探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处，提出了一种用于评估量子学习任务潜在优势的方法，并提出了一种通过量子速度提高学习效率的量子机器学习模型。

Nov, 2020

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

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

研究了用于手写数字 MNIST 数据集分类问题的混合量子 - 经典神经网络的性能，结果表明虽然模拟时间较长，但是该模型优于传统网络，达到更好的收敛性和高的训练和测试精度。

Aug, 2021