Компьютерные науки > Машинное обучение [представлено 16 сентября 2026 года] Название: Обучение программам адаптирующихся неместных наблюдений для машинного изучения HTML (экспериментального) резюме: Quantum нейронные сети (QNns), как правило, построены из вариативных квантовых схем (VQC), которые ограничены местными измерениями. Адаптивные нелокальные наблюдения (АНО) решают эту проблему путем совместной оптимизации параметров цепи и многокбитных измерений. Однако существующие VQC, основанные на ANO, учатся лишь одному статичному наблюдаемому виду, который остается неизменным во всех входных данных. Мы предлагаем QFWP-ANO — новую архитектуру, в которой используется классическая гиперсети для динамической программы параметров VQC и/или неместных наблюдений при каждом вводе. При многовариантном прогнозировании временных рядов по четырем наборам данных ЭТС QFWP-ANO достигает самого низкого уровня MSE за 16 из 20 параметров и второго наименьшего за остальные четыре, превысив уровни ANO и другие прочные исходные параметры. Что касается дополнительных задач в области обучения, то КВП-АНО постоянно превышает АНО-ВКК. Наши результаты определяют АНО с учетом вводимых ресурсов как эффективный подход к укреплению QNN. Текущий контекст просмотра: cs.LG ссылки и цитаты загрузка... Библиографические и цитационно-инструментальные средства Библиографии (что такое Исследователь?) Подключенные документы (Что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Какой умный…
Обучение программам адаптивных неместных наблюдений для машинного обучения
arXiv:2609.18655v1 Annualce Type: New Humber: Quantum Neural Networks (QNS) обычно построены из вариативных квантовых схем (VQC), которые ограничены местными измерениями. Адаптивные нелокальные наблюдения (АНО) решают эту проблему путем совместной оптимизации параметров цепи и многокбитных измерений. Однако существующие VQC, основанные на ANO, учатся лишь одному статичному наблюдаемому виду, который остается неизменным во всех входных данных. Мы предлагаем QFWP-ANO — новую архитектуру, в которой используется классическая гиперсети для динамической программы параметров VQC и/или неместных наблюдений при каждом вводе. При многовариантном прогнозировании временных рядов по четырем наборам данных ЭТС QFWP-ANO достигает самого низкого уровня MSE за 16 из 20 параметров и второго наименьшего за остальные четыре, превысив уровни ANO и другие прочные исходные параметры. Что касается дополнительных задач в области обучения, то КВП-АНО постоянно превышает АНО-ВКК. Наши результаты определяют АНО с учетом вводимых ресурсов как эффективный подход к укреплению QNN.