基于量子神经网络的语音命令识别经典到量子迁移学习
机器学习
2021-10-19 v1 人工智能
量子物理
摘要
本工作研究将机器学习算法中的迁移学习扩展应用于新兴的混合端到端量子神经网络(QNN)以进行语音命令识别(SCR)。我们基于 QNN 的 SCR 系统由经典与量子两部分组成:(1) 经典部分主要依赖一维卷积神经网络(CNN)提取语音特征;(2) 量子部分构建于具有少量可学习参数的变分量子线路之上。由于在含噪声中等规模量子(NISQ)设备上从头训练混合端到端 QNN 效率低下,我们提出一种混合迁移学习算法,可将预训练经典网络迁移至混合 QNN 模型的经典部分。该预训练经典网络通过与变分量子线路(VQC)联合微调而进一步修改与增强。混合迁移学习方法对基于 QNN 的 SCR 任务尤其具有吸引力,因为低维经典特征有望被编码为量子态。我们在 Google 语音命令数据集上评估了应用于混合经典-量子 QNN 的 SCR 混合迁移学习算法,经典仿真结果表明混合迁移学习可提升我们在 SCR 任务上的基线性能。
引用
@article{arxiv.2110.08689,
title = {Classical-to-Quantum Transfer Learning for Spoken Command Recognition Based on Quantum Neural Networks},
author = {Jun Qi and Javier Tejedor},
journal= {arXiv preprint arXiv:2110.08689},
year = {2021}
}
备注
submitted to ICASSP'22