論文の概要: Hybrid Quantum-inspired Resnet and Densenet for Pattern Recognition
- arxiv url: http://arxiv.org/abs/2403.05754v2
- Date: Wed, 02 Oct 2024 04:06:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-03 15:16:35.784072
- Title: Hybrid Quantum-inspired Resnet and Densenet for Pattern Recognition
- Title(参考訳): パターン認識のためのハイブリッド量子インスパイアされたResnetとDensenet
- Authors: Andi Chen, Hua-Lei Yin, Zeng-Bing Chen, Shengjun Wu,
- Abstract要約: パターン認識のための残差および高密度接続に根ざした2つのハイブリッド量子インスピレーションニューラルネットワークを提案する。
数値実験により,我々のハイブリッドモデルの認識精度は従来の量子インスピレーションモデルよりも2%-3%高いことがわかった。
我々のハイブリッドモデルは、ロバスト性、特に様々な非対称雑音を持つパラメータ攻撃に対する耐性において、純粋古典モデルよりも優れている。
- 参考スコア(独自算出の注目度): 1.0499611180329804
- License:
- Abstract: With the rapid social progress, novel neural networks with high generalization power and robustness are strongly required to substitute traditional ones nowadays. Concurrently, the advent of the post-Moore era has spurred the development of quantum-inspired algorithms with outstanding potentials. Hence, influenced by quantum-inspired and pure classical neural networks, we propose two hybrid quantum-inspired neural networks which are rooted in residual and dense connections respectively for pattern recognition. We explain the concrete frameworks and illustrate the potential superiority to prevent gradient explosion of our hybrid models. Numerical experiments indicate that the recognition accuracy of our hybrid models is 2\%-3\% higher than that of the traditional quantum-inspired model. Our hybrid models also generalize as well as the pure classical models with different noisy datasets utilized. More importantly, our hybrid models outperform pure classical models notably in robustness, especially in resistance to parameter attacks with various asymmetric noises. Eventually, we discuss the application scenarios of our hybrid models by analyzing their computational complexities.
- Abstract(参考訳): 社会の急速な進展に伴い、近年では従来のニューラルネットワークを置き換えるために、高い一般化力と堅牢性を持つ新しいニューラルネットワークが強く求められている。
同時に、ムーア時代以降の出現は、優れたポテンシャルを持つ量子インスパイアされたアルゴリズムの開発を加速させた。
したがって、量子インスパイアされたニューラルネットワークと純粋古典ニューラルネットワークの影響を受け、2つのハイブリッド量子インスパイアされたニューラルネットワークを提案する。
具体的な枠組みを説明し、ハイブリッドモデルの勾配爆発を防止するための潜在的な優位性を示す。
数値実験により,我々のハイブリッドモデルの認識精度は従来の量子インスピレーションモデルよりも2\%-3\%高いことがわかった。
我々のハイブリッドモデルは、異なるノイズデータセットを使用した純粋古典モデルと同様に一般化する。
さらに重要なことは、我々のハイブリッドモデルは、ロバスト性、特に様々な非対称ノイズを持つパラメータ攻撃に対する耐性において、純粋な古典モデルよりも優れています。
最終的には,それらの計算複雑性を解析してハイブリッドモデルの応用シナリオを論じる。
関連論文リスト
- Neural Residual Diffusion Models for Deep Scalable Vision Generation [17.931568104324985]
我々は,統一的かつ大規模に拡張可能なニューラルネットワーク残差拡散モデルフレームワーク(Neural-RDM)を提案する。
提案したニューラル残差モデルは、画像およびビデオ生成ベンチマークの最先端スコアを取得する。
論文 参考訳(メタデータ) (2024-06-19T04:57:18Z) - A method for quantifying the generalization capabilities of generative models for solving Ising models [5.699467840225041]
我々は、ハミング距離正規化器を用いて、VANと組み合わせた様々なネットワークアーキテクチャの一般化能力を定量化する。
フィードフォワードニューラルネットワーク,リカレントニューラルネットワーク,グラフニューラルネットワークなど,VANと組み合わせたネットワークアーキテクチャの数値実験を行う。
本手法は,大規模Isingモデルの解法において,最適なネットワークアーキテクチャを探索するニューラルネットワーク探索の分野を支援する上で,非常に重要である。
論文 参考訳(メタデータ) (2024-05-06T12:58:48Z) - Bayesian sparsification for deep neural networks with Bayesian model
reduction [0.6144680854063939]
我々は,モデルウェイトを刈り取るためのより効率的な代替手段として,ベイズモデルリダクション(BMR)の使用を提唱する。
BMRは、単純な(非階層的な)生成モデルの下での後方推定に基づいて、余剰モデル重みのポストホック除去を可能にする。
我々は、LeNetのような古典的なネットワークから、VisionやTransformers-Mixersのようなモダンなフレームワークまで、さまざまなディープラーニングアーキテクチャにおけるBMRの可能性について説明する。
論文 参考訳(メタデータ) (2023-09-21T14:10:47Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳(メタデータ) (2023-06-04T08:53:27Z) - Generalization and Estimation Error Bounds for Model-based Neural
Networks [78.88759757988761]
スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。
我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
論文 参考訳(メタデータ) (2023-04-19T16:39:44Z) - High Accuracy Uncertainty-Aware Interatomic Force Modeling with
Equivariant Bayesian Neural Networks [3.028098724882708]
原子間力学習のための新しいモンテカルロマルコフ連鎖サンプリングアルゴリズムを提案する。
さらに、NequIPアーキテクチャに基づくニューラルネットワークモデルを導入し、新しいサンプリングアルゴリズムと組み合わせることで、最先端の精度で予測が得られ、不確実性の優れた指標が得られることを示す。
論文 参考訳(メタデータ) (2023-04-05T10:39:38Z) - Maximum entropy exploration in contextual bandits with neural networks
and energy based models [63.872634680339644]
モデルには2つのクラスがあり、1つはニューラルネットワークを報酬推定器とし、もう1つはエネルギーベースモデルを示す。
両手法は、エネルギーベースモデルが最も優れた性能を持つ、よく知られた標準アルゴリズムより優れていることを示す。
これは、静的および動的設定でよく機能する新しいテクニックを提供し、特に連続的なアクション空間を持つ非線形シナリオに適している。
論文 参考訳(メタデータ) (2022-10-12T15:09:45Z) - Physically constrained neural networks to solve the inverse problem for
neuron models [0.29005223064604074]
システム生物学とシステム神経生理学は、生体医学科学における多くの重要な応用のための強力なツールである。
ディープニューラルネットワークの分野における最近の進歩は、非線形で普遍的な近似を定式化する可能性を示している。
論文 参考訳(メタデータ) (2022-09-24T12:51:15Z) - Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。
また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文 参考訳(メタデータ) (2021-06-24T01:40:17Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳(メタデータ) (2020-12-17T15:19:29Z) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳(メタデータ) (2020-06-15T08:23:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。