一种用于图像分类的层次融合的量子模糊神经网络
我们提出了一种真正的量子神经网络模型，其与传统的呈适应性中间层和节点的前馈神经网络具有相同的灵活性，并且具有较低的电路深度和所需的 C-NOT 门数量，从而优于现有的量子神经网络模型。通过对基准数据集进行测试，我们证明了我们的方法的优越性能，并且使用更少的量子资源要求，为将量子神经网络应用于实际相关的机器学习问题铺平了道路。
Feb, 2024
本研究探索了量子联邦学习作为一个框架，通过分布式网络来训练量子机器学习模型的创新领域。我们提出的联邦量子神经网络框架是一种前沿解决方案，将量子机器学习的独特特性与经典联邦学习的原理融合在一起。通过在不同数据集上进行的实验证明，我们的 FedQNN 框架具有很强的适应性和功效，可以在分布式环境中安全处理数据并促进合作学习，结果在三个不同数据集上始终保持超过 86% 的准确率，证明了它在进行各种量子机器学习任务上的适用性。我们的研究不仅确定了传统范式的局限性，还提出了一个新的框架，推动量子机器学习领域进入一个新时代的安全和协作创新。
Mar, 2024
该研究引入了一种名为 PPF-QSNN 的新型架构，通过将数据集信息同时输入脉冲神经网络和变分量子电路，并按照各自的贡献比例合并输出，系统评估了各种 PPF-QSNN 参数对图像分类网络性能的影响，旨在确定最佳配置。MNIST 数据集的数字结果明确表明，我们提出的 PPF-QSNN 在准确度、损失和稳健性等指标上优于现有的脉冲神经网络和串行量子神经网络，为 HQCNN 的发展和应用奠定了基础，推动了人工智能计算中量子优势的应用。
Apr, 2024
提出一种隐私保护的分层模糊神经网络模型，采用两阶段优化算法，低层参数由基于交替方向乘子法的方案学习，高层协调由交替优化法处理，通过全面模拟表明该模型在回归和分类任务上均具有很好的效果
Sep, 2022
提出了一种基于量子卷积的全新量子神经网络模型，该模型通过引入多尺度特征融合机制和量子深度卷积来提高模型性能，并通过实验证明其在文本分类任务上优于现有量子神经网络模型，同时在使用更少参数的情况下提高了测试精度。
May, 2024
本文提出了一种自适应的神经模糊网络和一种改进的量子减法聚类，将数据挖掘技术与机器学习结合，发现模糊分类规则。实验结果表明，基于量子减法聚类的神经模糊网络具有较好的逼近和概括能力，并且与传统方法相比，模糊规则的数量和网络输出精度有显著降低。
Jan, 2021
本论文提出了第一个完全量子联邦学习框架，该框架可以在量子数据上运行并以分散的方式共享量子电路参数的学习。论文首先生成了第一个分层数据格式的量子联邦数据集，然后将其提供给使用 QCNN 模型的客户端执行分类任务，并对提出的 QFL 解决方案进行广泛的实验以评估和验证其有效性。
May, 2021
该研究介绍了量子联邦神经网络金融欺诈检测（QFNN-FFD）的创新框架，将量子机器学习（QML）和量子计算与联邦学习（FL）相结合，创新金融欺诈检测。通过利用量子技术的计算能力和联邦学习的数据隐私，QFNN-FFD 提供了一种安全高效的识别欺诈交易的方法。在分布式客户端上实现双阶段训练模型超越了现有方法的性能。QFNN-FFD 显著改进了欺诈检测并确保了数据保密性，标志着金融科技解决方案的重大进展，并为注重隐私的欺诈检测建立了新的标准。
Apr, 2024
本研究探讨了一种可扩展的量子神经网络（SQNN）方法，通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。 对 MNIST 数据集进行的评估表明，相比于相同规模的常规 QNN 模型， SQNN 模型可以实现具有可比较的分类精度，并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。
Aug, 2022
该研究探索了量子深度学习模型在解决传统深度学习模型难以处理的具有挑战性的机器学习问题方面的潜力。我们介绍了一种新型模型架构，将经典卷积层与量子神经网络相结合，旨在超越现有最先进的准确性，同时保持紧凑的模型尺寸。该实验对来自 Bird-CLEF 2021 数据集的高维音频数据进行分类，我们的评估重点关注训练持续时间、模型准确性和总模型尺寸等关键指标。这项研究证明了量子机器学习在增强机器学习任务和解决当今实际机器学习挑战方面的潜力。
Dec, 2023