- Квантовые классификаторы MNIST с непрерывной переменной (arXiv)
Автор : Софи Чоу
Аннотация: В этой статье классические и непрерывные переменные (CV) гибридные мультиклассификаторы квантовых нейронных сетей представлены с использованием набора данных MNIST. Комбинация размерности отсечки и метода измерения вероятности в модели CV позволяет квантовой схеме создавать выходные векторы размера, равного n, возведенного в степень n, где n представляет размерность отсечки, а m - количество квмодов. Затем они переводятся как метки с горячим кодированием, дополненные соответствующим количеством нулей. В общей сложности восемь различных классификаторов построены с использованием 2,3,…,8 qumodes на основе архитектуры бинарного классификатора, предложенной в квантовых нейронных сетях с непрерывной переменной. Вентиль смещения и вентиль Керра в CV-модели допускают добавление смещения и компоненты нелинейной активации классических нейронных сетей к квантовым. Классификаторы состоят из классической нейронной сети с прямой связью, схемы квантового кодирования данных и схемы квантовой нейронной сети CV. На усеченном наборе данных MNIST из 600 образцов гибридный классификатор с 4 режимами достигает 100% точности обучения.
2. Virus-MNIST: базовые расчеты машинного обучения для классификации изображений (arXiv)
Автор: Эрик Ларсен, Кори МакВитти, Джон Лилли.
Аннотация: набор данных Virus-MNIST представляет собой набор эскизов изображений, похожих по стилю на вездесущие рукописные цифры MNIST. Однако они создаются путем преобразования возможного вредоносного кода в массив изображений. Естественно, он готов взять на себя роль в сравнительном анализе прогресса обучения модели классификатора вирусов. Присутствует десять типов: девять классифицируются как вредоносные программы и один доброкачественный. Беглый осмотр выявляет неравные совокупности классов и другие ключевые аспекты, которые необходимо учитывать при выборе методов классификации и предварительной обработки. Исследовательский анализ показывает возможные идентифицируемые характеристики из совокупных показателей (например, медианные значения пикселей) и способы уменьшить количество признаков путем выявления сильных корреляций. Сравнение моделей показывает, что алгоритмы Light Gradient Boosting Machine, Gradient Boosting Classifier и Random Forest дали самые высокие оценки точности, что обещает более глубокую проверку.
