关键词quantum convolutional neural networks
搜索结果 - 6
- 针对任意数据维度优化量子卷积神经网络结构
该论文介绍了一个能够处理任意输入数据维度的量子卷积神经网络 (QCNN) 架构，优化了量子资源的分配，达到了优秀的分类性能，同时最小化了资源开销，为噪声和不完美情况下可靠量子计算提供了最佳解决方案。
- 数据增强对 QCNN 的影响
在本文中，通过在三个常用数据集上测试损失和预测准确率，实现和比较了传统卷积神经网络（CNNs）和量子卷积神经网络（QCNNs），并将常用于 CNNs 的数据增强技术应用于 QCNNs，结果表明数据增强并未提高 QCNNs 的性能，讨论了这一 - 量子卷积神经网络的教训
从分析量子卷积神经网络（QCNNs）中我们得出以下结论：1）利用量子数据可以通过隐藏特征映射来嵌入物理系统参数；2）它们在量子相识别方面的高性能可以归因于在地面态嵌入期间产生非常适合的基函数集，其中旋转模型的量子临界性导致具有快速变化特征的 - 一种用于物体检测和分类的量子卷积神经网络方法
本文研究量子卷积神经网络与经典卷积神经网络、人工 / 经典神经网络模型之间的潜力差异，研究表明，根据输入大小和批量大小，量子卷积神经网络有可能在准确性和效率上胜过经典卷积神经网络和人工神经网络，表现出作为机器学习领域中强大工具的潜力。
- 量子数据联邦学习
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 - 量子卷积神经网络中不存在贫瘠高原
本文描述了基于量子卷积神经网络的梯度值，分析了 QCNNs 的梯度缩放，发现 QCNNs 不会产生荒原平原。我们介绍了一种基于图形的方法，分析哈尔分布的酉矩阵的期望值，最后通过数值模拟验证了我们的分析结果。