- Новая стохастическая модель LSTM, вдохновленная квантовым машинным обучением (arXiv)
Автор: Джозеф Линдсей, Рамтин Занд.
Аннотация: Работы в области квантового машинного обучения (QML) за последние несколько лет показывают, что алгоритмы QML могут функционировать так же хорошо, как и их классические аналоги, а в некоторых случаях даже превосходить их. Среди недавних работ многие текущие модели QML используют преимущества схем вариационного квантового алгоритма (VQA), учитывая, что их масштаб обычно достаточно мал, чтобы быть совместимым с устройствами NISQ, а метод автоматического дифференцирования для оптимизации параметров схемы знаком машинным вычислениям. обучение (ОД). Хотя результаты несут интересные перспективы для эпохи, когда квантовые машины более доступны, если можно будет достичь аналогичных результатов с помощью неквантовых методов, тогда у практиков может быть более краткосрочное преимущество. С этой целью характер этой работы заключается в исследовании использования стохастических методов, вдохновленных вариационной квантовой версией модели долговременной кратковременной памяти (LSTM), в попытке приблизиться к заявленным успехам в производительности и быстрой сходимости. Анализируя производительность классических, стохастических и квантовых методов, эта работа направлена на то, чтобы выяснить, возможно ли достичь некоторых основных преимуществ QML на классических машинах за счет включения аспектов его стохастичности.
2. Квантовое машинное обучение для классификации вредоносных программ (arXiv)
Автор: Грегуар Барруэ, Тони Кертье.
Аннотация: В контексте обнаружения вредоносных программ машинное обучение (МО) широко используется для обобщения новых вредоносных программ. Однако было продемонстрировано, что модели машинного обучения могут быть обмануты или могут иметь проблемы с обобщением вредоносных программ, которые никогда не наблюдались. Мы исследуем возможные преимущества квантовых алгоритмов для задач классификации. Мы реализуем две модели алгоритмов квантового машинного обучения и сравниваем их с классическими моделями классификации набора данных, состоящего из вредоносных и безопасных исполняемых файлов. Мы пытаемся оптимизировать наши алгоритмы на основе методов, найденных в литературе, и анализируем наши результаты исследовательским способом, чтобы определить наиболее интересные направления для изучения в будущем.