量子辅助关联对抗网络：在深度学习中应用量子退火
机器学习
2021-07-05 v1 量子物理
机器学习
摘要
我们提出了一种通过生成对抗学习来学习隐变量生成模型的算法，其中将标准的均匀噪声输入替换为来自图模型的样本。该图模型由玻尔兹曼机学习得到，后者学习判别器所提取数据的低维特征表示。使用量子退火器 D-Wave 2000Q 从该模型中采样。该算法加入了在深度学习中采用量子退火子程序的日益增长的算法家族，并提供了一个框架来检验量子辅助学习在 GAN 中的优势。在降维随机二值化的 MNIST 数据集上，针对全连接、对称二分和 Chimera 图拓扑，比较了经典与量子退火采样方法。量子辅助关联对抗网络成功学习了所有拓扑下 MNIST 数据集的生成模型，并针对 Chimera 拓扑应用于 LSUN 数据集的 bedrooms 类别。使用 Fréchet inception distance 和 inception score 进行评估，发现该算法的量子与经典版本在学习 MNIST 数据集的隐式生成模型方面性能相当。
引用
@article{arxiv.1904.10573,
title = {Quantum-assisted associative adversarial network: Applying quantum annealing in deep learning},
author = {Max Wilson and Thomas Vandal and Tad Hogg and Eleanor Rieffel},
journal= {arXiv preprint arXiv:1904.10573},
year = {2021}
}