标签
该论文研究了在差分隐私约束下,量子机器学习模型与经典模型(MLP、逻辑回归)在临床和可穿戴健康数据上的效用对比,发现量子模型在三个临床队列上呈现趋势性优势但未通过统计显著性检验,并在 IBM ibm_fez 量子计算机上验证了推理可行性。
DeepUnfolding-Agent 论文提出了一个模式驱动的 FastAPI 平台,将深度展开的自适应控制作为外部服务提供,解耦控制器逻辑与领域特定执行,支持经典、量子及混合优化工作流,并通过在 IBM Quantum 硬件上执行得到验证。
提出了一个混合量子-经典框架(QML-CRL),通过参数化量子电路编码认知偏差,并结合强化学习以最优停止问题建模,用于检测亲密关系及恋爱投资欺诈。
论文提出QTrans,一个用于情感分类的量子-经典混合Transformer模型,该模型使用参数化量子电路进行注意力计算,在基准数据集上实现了比经典基线更高的准确率。
提出了一种基于量子粒球的k近邻框架QGB-W$k$NN,该框架增强了机器学习中的分类效率和对噪声的鲁棒性。
Titans-QFWP是一种混合强化学习架构,集成了量子快速权重编程器与Titans风格的记忆(Persistence、Surprise和Forgetting)用于自适应投资组合优化,在S&P 500股票上表现出色。
本文实证性地表征了混合量子预测模型的学习几何,通过使用 Neural Tangent Kernel 动态和其他指标将其与经典基线进行比较,表明相似的泛化能力可以从不同的优化轨迹中涌现。
研究人员开发了量子弹性权重巩固(QEWC)框架,该框架利用量子Fisher信息帮助量子AI系统在顺序学习过程中保持知识,减少灾难性遗忘。
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。