实验与可编程的超导量子比特量子敌对的学习

1. Biamonte, j . et al .量子机器学习。自然549年,195 - 202 (2017)。

   文章谷歌学术搜索

2. Dunjko,诉& Briegel h . j .机器学习和人工智能在量子领域:回顾一下最近的进展。众议员掠夺。理论物理。81年074001 (2018)。

   文章MathSciNet谷歌学术搜索

3. Sarma, s D。,Deng, D.-L. & Duan, L.-M. Machine learning meets quantum physics.理论物理。今天72年48 (2019)。

   文章谷歌学术搜索

4. Eykholt, k . et al .健壮我们攻击深度学习视觉分类。在Proc, IEEE计算机视觉与模式识别会议1625 - 1634 (IEEE 2018)。

5. Finlayson, s . g . et al .敌对攻击医疗机器学习。科学363年,1287 - 1289 (2019)。

   文章谷歌学术搜索

6. 陆,S。,Duan, L.-M. & Deng, D.-L. Quantum adversarial machine learning.理论物理。启Res。2033212 (2020)。

   文章谷歌学术搜索

7. 刘:& Wittek p .脆弱的量子敌对的扰动分类。理论物理。启一个101年062331 (2020)。

   文章MathSciNet谷歌学术搜索

8. 锣,w . &邓D.-L。普遍的敌对的例子和对量子扰动分类器。国家的科学。牧师。9nwab130 (2021)。

   文章谷歌学术搜索

9. 关,J。,Fang, W. & Ying, M. in计算机辅助验证,计算机科学的课堂讲稿(eds席尔瓦,a & Leino k . r . m .) 151 - 174 (Springer, 2021)。

10. 廖,H。,Convy, I., Huggins, W. J. & Whaley, K. B. Robust in practice: adversarial attacks on quantum machine learning.理论物理。启一个103年042427 (2021)。

    文章MathSciNet谷歌学术搜索

11. 卡罗,m . C。,Gil-Fuster, E., Meyer, J. J., Eisert, J. & Sweke, R. Encoding-dependent generalization bounds for parametrized quantum circuits.量子5582 (2021)。

    文章谷歌学术搜索

12. Haug, T。,Self, C. N. & Kim, M. S. Large-scale quantum machine learning. Preprint athttps://arxiv.org/abs/2108.01039(2021)。

13. Perez-Salinas,。,Cervera-Lierta, A., Gil-Fuster, E. & Latorre, J. I. Data re-uploading for a universal quantum classifier.量子4226 (2020)。

    文章谷歌学术搜索

14. 奥布里,s &安德烈·g .解析性破坏和安德森局域化不相称的晶格。安。以色列的今天。Soc。3,18 (1980)。

    MathSciNet数学谷歌学术搜索

15. 高,X。,Zhang, Z.-Y. & Duan, L.-M. A quantum machine learning algorithm based on generative models.科学。睡觉。4eaat9004 (2018)。

    文章谷歌学术搜索

16. 刘,Y。,Arunachalam, S. & Temme, K. A rigorous and robust quantum speed-up in supervised machine learning.Nat。物理。17,1013 - 1017 (2021)。

    文章谷歌学术搜索

17. Saggio诉et al。实验量子加速强化学习代理。自然591年,229 - 233 (2021)。

    文章谷歌学术搜索

18. 黄,H.-Y。从实验中学习等。量子优势。科学376年,1182 - 1186 (2022)。

    文章MathSciNet谷歌学术搜索

19. 勒杜,m .的浓度测量的现象89(美国数学学会,2001)。

20. 李,w . &邓D.-L。量子分类器的最新进展。科学。中国的今天。动力机械。阿斯特朗。65年220301 (2022)。

    文章谷歌学术搜索

21. Papernot, N。,McDaniel, P., Wu, X., Jha, S. & Swami, A. Distillation as a defense to adversarial perturbations against deep neural networks. InProc。2016年IEEE研讨会上安全和隐私(SP)582 - 597 (IEEE 2016)。

22. Samangouei, P。,Kabkab, M. & Chellappa, R. Defense-GAN: protecting classifiers against adversarial attacks using generative models. InProc。6日学习国际会议上表示(ICLR, 2018);https://arxiv.org/abs/1805.06605

23. Havliček, v . et al .监督学习quantum-enhanced功能空间。自然567年,209 - 212 (2019)。

    文章谷歌学术搜索

24. 锣,m . et al .量子神经传感61 -量子位的量子多体的状态可编程超导处理器。预印在https://arxiv.org/abs/2201.05957(2022)。

25. 赫曼,j . et al。超导量子处理器上实现量子卷积神经网络识别量子阶段。Commun Nat。134144 (2022)。

    文章谷歌学术搜索

26. 御手洗K。,Negoro, M., Kitagawa, M. & Fujii, K. Quantum circuit learning.理论物理。启一个98年032309 (2018)。

    文章谷歌学术搜索

27. 李,J。,Yang, X., Peng, X. & Sun, C.-P. Hybrid quantum-classical approach to quantum optimal control.理论物理。启。118年150503 (2017)。

    文章谷歌学术搜索

28. 一个M。,Bergholm, V., Gogolin, C., Izaac, J. & Killoran, N. Evaluating analytic gradients on quantum hardware.理论物理。启一个99年032331 (2019)。

    文章谷歌学术搜索

29. 地方,a . p . m . et al。新材料平台超导transmon量子比特相干时间超过0.3毫秒。Commun Nat。121779 (2021)。

    文章谷歌学术搜索

30. 唱,y . et al。实现高保真CZ和ZZ-free iSWAP盖茨和一个可调的耦合器。理论物理。启X11021058 (2021)。

    谷歌学术搜索

31. Foxen, et al。展示一组连续的two-qubit盖茨近期量子算法。理论物理。启。125年120504 (2020)。

    文章谷歌学术搜索

32. Halabi s . s . et al . RSNA儿童骨龄机器学习的挑战。放射学290年,498 - 503 (2019)。

    文章谷歌学术搜索

33. 克拉克,k . et al .癌症成像存档(TCIA):维护和运营公共信息资源库。j .数字。成像26,1045 - 1057 (2013)。

    文章谷歌学术搜索

34. 邓,l . MNIST数据库为机器学习研究的手写数字图像。IEEE信号的过程。玛格。29日,141 - 142 (2012)。

    文章谷歌学术搜索

35. Kurakin,。,Goodfellow, I. J. & Bengio, S. Adversarial machine learning at scale. In学习国际会议上表示(ICLR, 2017)。

36. 李,w .数据和代码篇题为“实验与超导量子比特的量子敌对的学习(Zenodo, 2022):https://doi.org/10.5281/zenodo.7134599

下载参考