- 在人工和生物神经系统中识别可解释的视觉特征
在神经网络中,单个神经元往往是 “可解释的”,因为它们代表了个别直观有意义的特征。然而,许多神经元表现出混合选择性,即它们代表多个不相关的特征。最近的假设提出深度网络中的特征可能通过多个神经元以非正交的方式进行 “叠加”,因为自然数据中可解 - 去噪扩散概率模型的生成型量子机器学习
基于经典对应物,我们提出了量子去噪扩散概率模型(QuDDPM),以实现对量子数据的高效可训练生成学习。
- 稀疏自编码器发现语言模型中的高度可解释特征
使用稀疏自编码器识别语言模型内部的方向,以消除超级位置现象,并达到模型的透明度和可操控性。
- 张量积和超维计算
在图嵌入的基础上,将一些结果推广到向量符号体系和超维计算的普遍设置中,正式建立张量积表示作为中心表示,并探讨了叠加、正交和张量积之间的数学关系。
- 用于认知决策的量子电路组件
本文证明了,一些非经典的人类决策模型可以在量子计算机上成功运行。
- 基于量子启发式的多模态融合视频情感分析
本文提出了一种基于量子理论的多模态情感分析框架,通过超定态和纠缠的方式对单模态内部交互和跨模态交互进行建模,并成功应用到了两个基准影片情感分析数据集上,普适性优于现有技术水平。
- AAAI用量子变分电路进行强化学习
本文研究了量子计算对强化学习问题的潜在帮助,通过量子演化电路来解决强化学习问题,提出了使经典数据编码成量子演化电路的技术,并探索了 DQN 和 Double DQN 的量子算法。结果表明,使用量子演化电路可以更好地解决强化学习任务。
- 多模型叠加
本文提出一种在单一参数集中存储多个模型的方法,并展示了在神经网络的实验中,多个模型可以在叠加状态下并存,同时也可以分别被检索出来。我们发现大量的模型可以在单个参数实例中有效存储,并且在叠加状态下,每个模型可以经历数千次训练而不会对其他模型产 - 基于叠加辅助的霍克斯过程随机优化
该研究考虑了学习多智能体 Hawkes 过程的问题,并提出了一种多样性驱动的叠加策略,该策略可以改善学习结果和收敛性能,进而在真实数据的顺序推荐系统中解决冷启动问题。
- ICML基于依赖关系的分层规范随机测度用于动态主题建模
开发一种依赖分层规范随机测度的方法并将其应用于动态主题建模,该方法通过测度的底层泊松过程的叠加、子采样和点转移来形成依赖关系,使用的测度包括呈幂律特性的规范化广义伽玛过程,此外,实验表明,通过该方法的模型比以前模型的效果更好。
- 超位置的缠绕
本研究旨在探究任意维度下的二分量量子态在两种情况下的纠缠性及其界限,证明两状态互补时纠缠界限较为简单,而在更普遍的情况下则较为复杂。
- 量子力学助力寻找草堆中的针
量子力学可以快速搜索未排序数据集,通过等相位操作多个名字的状态叠加,可以在 O (sqrt (N)) 次访问内找到数据库中需要的电话号码。
- 一个用于数据库搜索的快速量子力学算法
该研究论文介绍了一种量子算法,它可以在 O (sqrt (N)) 步骤内使用超大量子系统并行计算以达到快速查找目标的结果。