May, 2024

利用经典和量子核支持向量机预测开孔层合板失效

PDF
TL;DR通过使用支持向量机和量子核函数，我们通过训练替代模型学习了开孔复合材料板在平面载荷下的极限破坏边界，并展示了分类的准确性超过 90％的结果。
open hole failurecompositemachine learningsupport vector machinequantum kernels
发现论文，激发创造
  • 利用量子核支持向量机进行多光谱卫星图像中的云检测

    本文介绍了一种使用量子核心的支持向量机算法，旨在用于卫星数据分析，并以云检测为例，对 Landsat-8 多光谱数据集进行了实验，表明该算法可以成功分类卫星图像并达到与传统支持向量机相同的准确性。

    Jul, 2023

  • 支持向量网络的统计力学

    通过统计物理学方法，研究支持向量机的泛化性能，发现在简单规则上支持向量机只过度拟合弱，当输入在特征空间存在间隔时，支持向量机的性能会得到大幅增强。

    Nov, 1998

  • 通过变分核训练增强量子支持向量机

    本文针对 QSVM 模型的两种方法：量子核 SVM（QK-SVM）和量子变分 SVM（QV-SVM）进行研究，并提出了一种将二者优势相结合的新型模型：量子变分核 SVM（QVK-SVM）。实验结果表明，QVK-SVM 在准确性、损失和混淆矩阵指标方面均优于现有模型，具有很大的应用潜力，值得被推广应用于未来的量子机器学习研究。

    May, 2023

  • 量子退火器上训练的本地二进制和多类支持向量机

    SVM 与量子退火器相结合的 FaLK-SVM 方法在处理大规模实际数据集时展现出了良好的性能和可扩展性。

    Mar, 2024

  • 高效量子异常检测：采用变量子采样和随机测量的单类支持向量机

    量子计算在机器学习任务中的潜力使得核计算和模型精度得到显著提高。通过使用一类支持向量机和量子核，相对于经典对照方法，先前研究观察到了显着的平均精度改进。然而，传统计算这些核的方法对于数据大小具有二次时间复杂度，这在实际应用中带来了挑战。为了缓解这个问题，我们探索了两种不同的方法：利用随机测量来评估量子核以及实施可变子采样集合方法，这两种方法都针对线性时间复杂度。实验结果表明，采用这些方法的训练和推断时间大大减少，分别达到了 95% 和 25%，同时随机测量的平均精度明显优于经典径向基函数核，为进一步研究可扩展、高效的量子计算在机器学习中的应用方向提供了有希望的线索。

    Dec, 2023

  • 支持向量机引导的再生核粒子方法用于基于图像的微结构建模

    该研究提出了一种基于支持向量机（SVM）分类的方法，以自动化复合材料数字表示构建中的离散化和近似过程，该方法还使用 IM-RKPM 算法进行适当的近似处理，并通过对聚合物 - 陶瓷复合材料微观结构建模进行验证。

    May, 2023

  • 利用带有量子核的支持向量回归进行半监督异常检测

    基于量子核的支持向量回归的半监督异常检测方法优于其他模型，在 10 个真实数据集和 1 个玩具数据集上取得了最高的平均 AUC，相比量子自编码器在 11 个数据集中的 9 个数据集上性能更好。

    Aug, 2023

  • 使用 Frank-Wolfe 优化方法训练支持向量机

    本文提出两种改进的基于 Frank-Wolfe 算法的 SVM 构建方法，能够更高效地解决大规模数据集下的最小包络球问题。实验证明，相比之前的 CVM 方法，这两种方法在大多数情况下都具有更好的扩展性。

    Dec, 2012

  • 数据分类的一种 SVM 方法替代方案

    支持向量机（SVM）是一种流行的用于数据分类的核方法，本文提出一种基于最佳子空间的最小距离的新方法，以解决 SVM 存在的时间处理、高维情况下优化过程失败、多类别泛化、不平衡类别和动态分类的问题，并取得了类似的性能改进。

    Aug, 2023

  • 一种高效的核生存支持向量机训练算法

    本文提出了一种高效的核存活支持向量机 (SSVM) 训练算法，通过直接优化主要目标函数，采用截断牛顿优化和随机统计树，降低了与现有训练算法相比的计算复杂度，并证明其可以用于规模更大的数据。

    Nov, 2016