《系统工程与电子技术杂志》发表论文赏析
作者:吉家欣, 李汀, 李飞
单位:南京邮电大学通信与信息工程学院,江苏 南京 210003
摘要:一般量子生成对抗网络(generative adversarial network,GAN)只能处理单域数据,且受到量子比特数限制,生成质量会有很大程度下降。对此,提出一种学习多域数据联合分布的量子耦合GAN(quantum coupled GAN,QCoGAN)。QCoGAN通过结合量子计算的并行计算能力和经典GAN的学习能力,对量子GAN结构进行耦合优化,相较于普通GAN可以捕捉到更多图像细节,通过施加量子参数层之间的权重共享约束,有效控制了网络容量,提升了训练效率。将量子GAN用于领域适应问题,将QCoGAN应用于多个手写体数据集的联合分布学习任务,证明了其在处理多域数据时的优越性,具有广阔的应用前景。
关键词:量子计算,机器学习,生成对抗网络,量子耦合,多域数据
基金资助:国家自然科学基金(62271265)资助课题
2026年3期其他文献查阅:
MFA-Net:一种面向复杂对抗环境的反舰导弹智能识别多模态自适应融合网络
考虑多种故障模式和多阶段故障过程的装备预防性维修策略优化模型
基于弧有向加权时序网络超邻接矩阵列的节点重要性序结构演化辨识
基于TS-OMP的IRS辅助毫米波大规模MIMO信道估计方案