- 基于经典和量子机器学习模型的洪水预测
本研究探讨了利用量子机器学习改进洪水预测的潜力。我们针对 2023 年德国魏珀河的日常洪水事件，将传统机器学习技术与量子机器学习技术相结合，利用量子的叠加和纠缠等特性实现更高的准确性和效率。通过对比传统和量子机器学习模型的训练时间、准确性和 - 量子支持向量机在量子态跨领域分类中的优势
利用量子机器学习进行跨领域分类研究，以解决纠缠与可分离性范式；进一步证明了贝尔对角态的高效分类，扩展分析了使用随机酉转换评估模型在分析问题上的鲁棒性，通过数值分析明确展示了 QSVM 在多维希尔伯特空间中对量子态进行分类的潜力。
- 高效密度型量子机器学习训练
量子机器学习需要强大、灵活和高效可训练的模型来成功解决具有挑战性的问题。本文介绍了密度量子神经网络，一种融合了一组可训练酉矩阵的随机化学习模型。这些模型使用参数化量子电路广义化了量子神经网络，并允许在表达能力和高效可训练性之间进行折中，特别 - 量子视觉特征编码再探讨
通过研究量子机器学习在计算机视觉中的应用，本文发现现有的量子编码设计未能保证在编码过程后信息特征的保留，给量子机器学习模型的学习过程带来了复杂性，同时也导致了一个被称为 “量子信息差距” 的问题，该问题直接影响了量子机器学习算法的性能。为了 - MM量子分类器的对抗鲁棒性保证
通过使用量子机器学习算法，研究结果表明对抗性攻击具有一定的量子保护性，能够提供对机器学习算法的鲁棒性，使其对数据扰动、局部攻击和普遍对抗性攻击具有一定的保护能力。
- Qiskit 中基因组数据的量子机器学习算法的独立实现
本文探讨了量子机器学习的潜力，通过在 Qiskit 中利用多种特征映射技术对基因组序列分类，扩展、实现和评估了量子支持向量分类器（QSVC），Pegasos-QSVC，变分量子电路（VQC）和量子神经网络（QNN）等算法。
- 量子机器学习中的特征重要性与可解释性
比较量子机器学习和经典机器学习模型中的特征重要性和解释性，使用 IBM 的 Qiskit 平台的混合量子算法（Variational Quantum Classifier 和 Quantum Support Vector Classifie - 经由无饭定理审视经典和量子学习协议的可分离能力
我们将各种量子学习算法按照三种设计的学习协议分类，并建立了其 No-Free-Lunch 定理；我们的研究结果表明量子学习协议在样本复杂度上具有二次降低，这取决于量子态的正交性和观测量的对角性，并深化了对量子学习协议能力的理解。
- 量子人工智能用于阿尔茨海默病早期筛查
量子机器学习能够在健康领域中进行高效解决大数据集问题，此研究将其应用于阿尔茨海默病的诊断，并发现量子和经典算法在分类任务中表现相似，甚至有时量子方法表现更好，为将来在早期筛查诊断方面开发新的量子机器学习应用铺平了道路。
- 拓展视野：为长尾胸部 X 光分类实现混合量子迁移学习
我们使用基于 Jax 的框架实现了用于长尾 CXR 分类的混合量子迁移学习的可访问实现。
- 量子计算专家的机器学习
量子机器学习是量子计算的一个有潜力的早期使用案例，该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览，其包括从理论研究到数值模拟再到概念验证等多个方面的进展。
- 置换等变量量子卷积神经网络
量子机器学习中，基于置换对称系统的强大算法被提出，利用对称群、等价量子卷积神经网络等关键词建立了置换对称系统的强大算法。
- 基于量子贴片的自编码器用于异常分割
这篇论文介绍了一种基于量子自编码器的图像异常分割方法，其中参数的数量与图像块的大小对数缩放。该方法通过量子状态的重构，通过 SWAP 测试对嵌入输入块计算异常映射，而无需重建输入图像，并在多个数据集和参数配置下评估其性能并与经典对应方法进行 - 构建增强量子机器学习鲁棒性的最佳噪声通道
通过构建一类本质上为 ε- 差分隐私的噪声通道，我们成功地复制了退极化和随机旋转通道的 ε- 差分隐私边界，从而验证了我们框架的广阔普遍性。我们还使用半定规划构建了一个最优鲁棒通道，在小规模实验评估中证明了使用最优噪声通道相对于退极化噪声的 - 量子与经典机器学习模型的对抗鲁棒性比较分析
量子机器学习模型与经典机器学习模型相似和不同的对抗鲁棒性进行了系统调查，使用了传递攻击、扰动模式和 Lipschitz 界限的方法。发现正则化有助于增强量子网络的鲁棒性，对 Lipschitz 界限和传递攻击有直接影响。
- PristiQ：云中保护量子学习数据安全的协同设计框架
提出了一个用于保护量子机器学习数据安全的共同设计框架 PrisitQ，通过引入一个带有用户定义安全密钥的附加安全量子位加密子电路，可以显著增强数据安全性，并提出了自动搜索算法来优化在加密量子数据上的模型以保持其性能。该框架在模拟和实际 IB - 一种改进的去极化方法用于高效的量子机器学习
在噪声中间量子（NISQ）时代的量子计算在机器学习、优化和密码学等领域展示出了有前景的应用。然而，由于系统噪声、错误和退相干，这些挑战使得量子系统的模拟变得复杂。本文提出了一种改进的单比特去极化通道表示法，使用了仅基于 X 和 Z Paul - 高效的机器学习激活函数的量子电路，包括常数 T 深度 ReLU
我们的研究主要关注于为容错量子计算架构开发激活函数的量子电路，重点在于最小化 $T$-depth。我们提出了 ReLU 和 leaky ReLU 激活函数的新实现，分别实现了恒定的 4 和 8 的 $T$-depth。借助量子查找表，我们还 - QFNN-FFD：金融欺诈检测的量子联邦神经网络
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 - 量子神经网络的超参数优化
通过比较不同配置，我们对量子机器学习模型的性能进行了研究，提供了性能数据和超参数选择的具体建议。