Jun, 2024

QC-Forest：一种经典 - 量子算法，可证明加速随机森林的重新训练

PDF
TL;DRQC-Forest 是一种经典 - 量子算法，用于在流式设置中高效地重新训练随机森林模型，实现多类分类和回归，其运行时间与累积样本总数的对数成倍数关系。
random forestonline rf modelsperiodic model retrainingqc-foreststreaming setting
发现论文，激发创造
  • $Des$-$q$：一个构建和高效重训练用于回归和二元分类的决策树的量子算法

    介绍一种名为 $Des$-$q$ 的新型量子算法，用于构建和重新训练用于回归和二分类任务的决策树，并通过开发高效的量子监督聚类方法实现聚类分割。该算法在训练样本数量的对数时间复杂度范围内显著减少了重新训练决策树所需的时间，同时展示了与现有决策树相似的性能并加快了定期树的重新训练。

    Sep, 2023

  • 随机森林预测的量子电路

    使用随机森林模型的量子电路实现二元分类预测算法，旨在减少基本量子门的数量。

    Dec, 2023

  • 监督式机器学习的严谨和鲁棒量子加速

    本文提出一种量子支持向量机分类器模型，实现有监督分类并取得了明显的量子加速，要求仅具备经典数据访问能力。在构造的数据集中，基于普遍认为的离散对数问题的困难性假设，该量子分类器实现的分类效果均优于无法逆多项式地超越瞎猜的经典学习器。这个模型可以通过一个容错的量子计算机来估算内积核函数，并且将数据映射为一个量子特征空间。此外，该分类器对由有限采样误差产生的内积核函数的加性误差具有一定的鲁棒性。

    Oct, 2020

  • 机器学习模型中用于识别分布外数据的减少鲁棒性随机切割森林

    本文介绍了一种使用 Reduced Robust Random Cut Forest (RRRCF) 数据结构的新方法来检测数据集是否处于训练分布，该方法在低维和高维数据的实证结果表明可以有效地进行数据分布的推断，而且该模型易于训练，并且不需要进行困难的超参数调整，用例包括测试和验证结果。

    Jun, 2022

  • 概率随机森林：一种用于嘈杂数据集的机器学习算法

    本研究修改了基于随机森林 (Random Forest，RF) 的算法，提出了一种新的基于概率随机森林 (Probabilistic Random Forest，PRF) 的机器学习算法，用于处理带有不确定性的天文数据，能够有效提高分类准确性以及应用于转移学习。

    Nov, 2018

  • 分层二次随机森林分类器

    本文提出了一种分层的二次随机森林分类器，用于对从多通道数据中提取的多分辨率样本进行分类，该森林在每个决策节点中都包含一个带罚款的多元线性判别式，并处理平方特征以在原始特征空间中实现二次决策边界。

    Jun, 2023

  • 确定性进，确定性出：用于量子机器学习的 REVQC

    量子机器学习研究了快速化和精确推断方法，通过对 MNIST 和 MNIST Fashion 数据集进行实验，证明了反向训练对于提高单个样本推断准确性的有效性。

    Oct, 2023

  • 接近度森林：一种适用于时间序列的有效可扩展距离分类器

    本文介绍 Proximity Forest 算法，通过随机化选择实例和相似度度量，从包含数百万个时间序列的数据集中学习准确的模型，并在毫秒内对时间序列进行分类。该算法在时间序列分类方面表现出极高的准确性和速度，并在对 1M 个时间序列的地球观测数据集进行实验时表现出优越性能。

    Aug, 2018

  • 利用慢特征分析进行 MNIST 数据集的量子分类

    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

  • 量子分类器的量子集合

    本文介绍了量子分类器与集成学习的结合，提出了量子分类器集成框架，实现了对训练数据的分类，从而推出了量子及经典机器学习领域中的新结果。

    Apr, 2017