标签
提出并行量子特征增强（PQFA），这是一种混合量子-经典框架，应用浅层变分量子电路来增强融合的多模态特征，以更少的参数超越经典基线。
介绍了Quantum Port-Hamiltonian Neural Networks (Q-pHNNs)，它利用具有测量诱导非线性的量子电路学习经典动力学，同时保持守恒和耗散特性。实验表明，能量漂移较小，且阻尼系数识别准确。
慕尼黑大学（LMU）的研究人员开发了一种基于量子玻尔兹曼机（Quantum Boltzmann Machine）的模型，用于从胸部X光片中检测肺炎。该模型仅使用不到9000个参数（而传统卷积神经网络（CNN）需要数百万个参数），准确率达到84%至86%，展示了量子机器学习在处理小规模医疗数据集方面的潜在优势。
本文对扩散模型中的变分量子电路进行了公平比较研究，引入了一个挤压-激励（SE）骨架来隔离量子贡献。研究发现与经典对照的功能对等性，并识别了基于分数的设置中的角度嵌入失败，提供了严格的方法论和机理分析。
提出了一种采用二元自行车码的针对量子卷积神经网络的低开销纠错技术，证明了在真实噪声环境下，相比于未保护QCNN，该技术改善了学习性能。
本文提出了用于高斯过程回归中量子核估计的主动样本分配策略，推导出配对级敏感性以指导非均匀样本预算，并在基准测试上展示了相比均匀分配在测试RMSE上的显著改进。
本文提出了一种用于脑MRI压缩驱动异常检测的量子自编码器，实现了高ROC-AUC分数，优于经典基线方法，并提供了可解释的异常热力图。
QDiffusion-TS是首个针对真实世界时间序列合成的量子生成扩散模型，它用量子神经网络替换了去噪Transformer中的前馈组件。该模型将可训练参数减少了近三个数量级，并在金融数据上将Wasserstein距离改进了44%，在下游预测任务中RMSE最高提升71%。
关于量子机器学习基础的讲座笔记，涵盖量子比特、叠加态、测量和布洛赫球。
本文提出了一种用于神经主题建模的混合经典-量子变分自编码器，在推理网络中嵌入了参数化量子电路。在AgNews数据集上的实验表明，与最先进的经典模型相比，主题连贯性和多样性有所提高，显示了在NISQ时代量子设备上的可行性。
本文提出了一种面向小数据场景下植物表型组学分类的混合量子-经典工作流，通过监督潜在重构（PCA+LDA）在量子核对齐前提升几何可分性。实验显示可分性有所提升，但揭示了压缩权衡以及实现强量子性能的困难。
本文提供了实证证据，表明量子纠缠在多智能体强化学习中提供了可测量的优势，通过CHSH游戏和协作导航任务展示了相对于经典基线的性能提升。