May, 2024

学习切割 Wi-Fi 网络：一种状态增强的原对偶方法

PDF
TL;DR在本研究中，我们提出了一个灵活、受限的学习框架，可以满足 Wi-Fi 网络中的网络切片要求。具体地，我们采用了一种无监督学习的方法，利用一个状态增强的原始 - 对偶算法，训练离线的神经网络策略来优化拉格朗日函数，并在执行阶段在线更新双变量动力学，以满足遍历的 QoS 要求。
network slicing5g/ng cellular networkswi-fi networksqos requirementsunsupervised learning
发现论文，激发创造
  • 使用张量网络实现量子机器学习

    本文提出一种基于张量网络的量子计算方法，用于解决当前在量子计算中机器学习所面临的挑战。在此方法下，经典计算和量子计算可共享同样的理论和算法基础，且张量网络电路在量子计算机模型的训练中具有高效节省的优势，并通过对手写识别模型的数值实验验证了其可行性。

    Mar, 2018

  • 量子启发张量网络的监督学习

    本研究探讨了如何使用张量网络来优化矩阵积态，以用于分类图像的模型参数化，且在 MNIST 数据集上取得了不到 1% 的测试集分类误差。此外，我们讨论了张量网络形式如何为学习模型提供附加结构，并提出了可能的生成性解释。

    May, 2016

  • 深度神经网络实现的通用量子测量

    我们提出了两种基于神经网络的方法，用于纯态和混合态量子状态重构，并通过与现有神经网络方法的比较评估其有效性。我们证明了我们提出的方法在从实验数据中重建混合态量子状态方面可以达到最先进的结果。我们的工作强调了神经网络在革命性量子态重构和促进量子技术的发展方面的潜力。

    Jul, 2024

  • 神经密度算子的潜空间净化

    本研究针对机器学习在与近期量子设备设计、验证甚至混合的潜力进行了探讨，其中一个核心问题是神经网络是否能够提供量子状态的可处理表示。通过基于受限玻尔兹曼机的密度矩阵参数化，本方法能够较好地应用于混合状态的编码，可用于无监督任务的生成建模和状态测量等诸多方面。通过数值实现并应用于一些典型的纠缠光子状态，达到了与标准技术相当的保真度。

    Jan, 2018

  • 数据集量化

    用于训练任何神经网络架构的新的数据集压缩方法 (DQ) 能够通过压缩大规模数据集生成精简小数据集，实现了无损模型训练的最新压缩比，可用于视觉任务和语言任务。

    Aug, 2023

  • 增强样例的混合系统中的高效强化学习及其在排队网络中的应用

    本文提出了一种基于样本的强化学习方法，旨在解决混合系统中数据样本不足的问题，通过生成增强数据样本，显著提高了学习效率。通过实验结果，证明了该方法在深度 Q 学习和深度策略梯度方面的有效性。

    May, 2023

  • 走向物理上可实现的量子神经网络

    本文提出了一种基于带限傅里叶展开的量子感知器（QPs）转移函数的模型，用于设计可扩展的训练过程的量子神经网络（QNNs），并在其中添加了一种随机化的量子随机梯度下降技术，消除了样本复制的需要，并证明该训练过程期望收敛于真实最小值，这有助于提高数据效率和遵守禁止复制规则。

    Mar, 2022

  • 量子信息科学中的数据中心机器学习

    提出了一系列以数据为中心的启发式方法来改善机器学习系统在量子信息科学问题上的表现。具体而言，我们考虑如何通过系统地构建训练集来显著提高用于量子状态重构的预训练神经网络的准确性，而不改变底层架构。

    Jan, 2022

  • 量子网络中的量子联合学习

    通过在分布式学习方案中使用分散环拓扑结构和量子权重，实现针对深度学习模型的量子联邦学习，从而解决数据安全与训练效率问题。

    Oct, 2023

  • 机器学习拓扑态

    本文利用人工神经网络和机器学习研究了量子物理中的拓扑相，证明了短程神经网络能够精确有效地表示拓扑相的基态，能够描述受强相互作用影响非可积哈密顿量的拓扑相变，从而为通用格模型的拓扑相机器学习提供了指导。

    Sep, 2016