将几何模型拟合到异常值污染的数据非常棘手。许多计算机视觉系统依赖于随机采样启发式方法来解决可靠的拟合，这不能提供最佳保证和误差范围。因此，开发新的方法可以弥合昂贵的精确解决方案和不提供质量保证的快速启发式方法之间的差距。在本文中，我们提出了一种用于稳健拟合的杂化量子古典算法。我们的核心贡献是一种新颖的可靠拟合公式，可以解决一系列整数程序，并使用全局解决方案或误差绑定终止。组合子问题可容纳量子退火器，这有助于有效拧紧结合。虽然我们对量子计算的使用并不能超越可靠拟合的基本棘手性，但通过提供误差界限，我们的算法是对随机启发式方法的实际改进。此外，我们的工作代表了计算机视觉中量子计算的具体应用。我们介绍使用实际量子计算机（D-WAVE优势）和通过仿真获得的结果。源代码：https：//github.com/dadung/hqc-robust-fitting
translated by 谷歌翻译
我们呈现Quantumsync，第一个量子算法，用于在计算机视觉上下文中解决同步问题。特别是，我们专注于置换同步，涉及在离散变量中解决非凸优化问题。首先，首先将同步分为二次无约会二进制优化问题（QUBO）。虽然这种制定尊重问题的二进制本质，但确保结果是一系列排列需要额外的护理。因此，我们：（i）展示如何将置换约束插入QUBO问题，并且（ii）解决了在绝热量子计算机D波的当前产生的受限Qubo问题。由于Quantum退火，我们保证了全球最优能力，同时采样能量景观以产生信心估计。我们的概念验证在绝热D波计算机上实现展示量子机器提供了解决普遍又困难的同步问题的有希望的方法。
translated by 谷歌翻译
距离措施为机器学习和模式识别中的许多流行算法提供了基础。根据算法正在处理的数据类型，可以使用不同的距离概念。对于图形数据，重要概念是图表编辑距离（GED），从而在使它们相同所需的操作方面测量两个图之间的两个图之间的相似度。由于计算GED的复杂性与NP难题相同，因此考虑近似解决方案是合理的。在本文中，我们向计算GED的两个量子方法的比较研究：量子退火和变分量子算法，其分别是指当前可用的两种类型的量子硬件，即量子退火器和基于栅极的量子计算机。考虑到当前嘈杂的中间级量子计算机的状态，我们基于这些量子算法性能的原理上的原理测试研究。
translated by 谷歌翻译
Our goal is to reconstruct tomographic images with few measurements and a low signal-to-noise ratio. In clinical imaging, this helps to improve patient comfort and reduce radiation exposure. As quantum computing advances, we propose to use an adiabatic quantum computer and associated hybrid methods to solve the reconstruction problem. Tomographic reconstruction is an ill-posed inverse problem. We test our reconstruction technique for image size, noise content, and underdetermination of the measured projection data. We then present the reconstructed binary and integer-valued images of up to 32 by 32 pixels. The demonstrated method competes with traditional reconstruction algorithms and is superior in terms of robustness to noise and reconstructions from few projections. We postulate that hybrid quantum computing will soon reach maturity for real applications in tomographic reconstruction. Finally, we point out the current limitations regarding the problem size and interpretability of the algorithm.
translated by 谷歌翻译
2022-08-22
Outier-bubust估计是一个基本问题，已由统计学家和从业人员进行了广泛的研究。在过去的几年中，整个研究领域的融合都倾向于“算法稳定统计”，该统计数据的重点是开发可拖动的异常体 - 固定技术来解决高维估计问题。尽管存在这种融合，但跨领域的研究工作主要彼此断开。本文桥接了有关可认证的异常抗衡器估计的最新工作，该估计是机器人技术和计算机视觉中的几何感知，并在健壮的统计数据中并行工作。特别是，我们适应并扩展了最新结果对可靠的线性回归（适用于<< 50％异常值的低外壳案例）和列表可解码的回归（适用于>> 50％异常值的高淘汰案例）在机器人和视觉中通常发现的设置，其中（i）变量（例如旋转，姿势）属于非convex域，（ii）测量值是矢量值，并且（iii）未知的异常值是先验的。这里的重点是绩效保证：我们没有提出新算法，而是为投入测量提供条件，在该输入测量值下，保证现代估计算法可以在存在异常值的情况下恢复接近地面真相的估计值。这些条件是我们所谓的“估计合同”。除了现有结果的拟议扩展外，我们认为本文的主要贡献是（i）通过指出共同点和差异来统一平行的研究行，（ii）在介绍先进材料（例如，证明总和证明）中的统一行为。对从业者的可访问和独立的演讲，（iii）指出一些即时的机会和开放问题，以发出异常的几何感知。
translated by 谷歌翻译
近年来，设计用于量子计算机或其他专业硬件的优化算法引起了研究的兴趣。这些求解器中的许多只能优化二进制和二次形式的问题。因此，二次不受约束的二进制优化（QUBO）是这些求解器使用的常见公式。有许多组合优化问题自然表示为排列，例如旅行推销员问题。但是，使用二进制变量编码置换问题，但是提出了一些挑战。许多QUBO求解器是单个翻转求解器，因此可以生成无法解码为有效置换的解决方案。为了产生产生可行解决方案的偏见，我们使用惩罚权重。为各种类型问题设定静态罚重的过程并不是微不足道的。这是因为太小的值会导致求解器返回不可行的解决方案，而太大的值可能会导致收敛速度较慢。在这项研究中，我们探讨了在QUBO配方中设置惩罚权重的一些方法。我们提出了新的静态方法来计算惩罚权重，这比现有方法更有希望的结果。
translated by 谷歌翻译
支持向量回归（SVR）的古典机器学习模型（SVR）广泛用于回归任务，包括天气预报，股票市场和房地产定价。但是，SVR的实际可实现的量子版本仍有待配制。我们设计了基于退火的算法，即模拟和量子古典的混合动力车，用于训练两个SVR模型，并比较他们对Python Scikit-Greats包的SVR实现和基于SVR的最新算法的实证性能面部地标检测（FLD）问题。我们的方法是为训练SVR模型的优化问题推导出二次非判断 - 二进制制定，并使用退火解决这个问题。使用D-Wave的混合求解器，我们构建了一项量子辅助的SVR模型，从而展示了关于地标检测精度的古典模型的略有优势。此外，我们观察到基于退火的SVR模型预测与通过贪婪优化程序训练的SVR模型相比具有较低差异的地标。我们的工作是一个概念验证示例，用于使用小型训练数据集将量化的SVR应用于监督的学习任务。
translated by 谷歌翻译
我们解决了与行业相关的尺度上的机器人轨迹计划问题。我们的端到端解决方案将高度通用的随机键算法与模型堆叠和集成技术集成在一起，以及用于溶液细化的路径重新链接。核心优化模块由偏置的随机基遗传算法组成。通过与问题依赖性和问题相关模块的独特分离，我们通过约束的天然编码实现了有效的问题表示。我们表明，对替代算法范式（例如模拟退火）的概括是直接的。我们为行业规模的数据集提供数值基准结果。发现我们的方法始终超过贪婪的基线结果。为了评估当今量子硬件的功能，我们使用Amazon Braket上的QBSOLV在量子退火硬件上获得的经典方法进行了补充。最后，我们展示了如何将后者集成到我们的较大管道中，从而为问题提供了量子准备的混合解决方案。
translated by 谷歌翻译
我们考虑了一个类别级别的感知问题，其中给定的2D或3D传感器数据描绘了给定类别的对象（例如，汽车），并且必须重建尽管级别的可变性，但必须重建对象的3D姿势和形状（即，不同的汽车模型具有不同的形状）。我们考虑了一个主动形状模型，其中 - 对于对象类别 - 我们获得了一个潜在的CAD模型库，描述该类别中的对象，我们采用了标准公式，其中姿势和形状是通过非非2D或3D关键点估算的-convex优化。我们的第一个贡献是开发PACE3D*和PACE2D*，这是第一个使用3D和2D关键点进行姿势和形状估计的最佳最佳求解器。这两个求解器都依赖于紧密（即精确）半决赛的设计。我们的第二个贡献是开发两个求解器的异常刺激版本，命名为PACE3D＃和PACE2D＃。为了实现这一目标，我们提出了Robin，Robin是一种一般的图理论框架来修剪异常值，该框架使用兼容性超图来建模测量的兼容性。我们表明，在类别级别的感知问题中，这些超图可以是通过关键点（以2D）或其凸壳（以3D为单位）构建的，并且可以通过最大的超级计算来修剪许多异常值。最后的贡献是广泛的实验评估。除了在模拟数据集和Pascal数据集上提供消融研究外，我们还将求解器与深关键点检测器相结合，并证明PACE3D＃在Apolloscape数据集中在车辆姿势估算中改进了最新技术，并且其运行时间是兼容的使用实际应用。
translated by 谷歌翻译
即使在数十年的量子计算开发之后，通常在经典同行中具有指数加速的通常有用量子算法的示例是稀缺的。线性代数定位量子机学习（QML）的量子算法中的最新进展作为这种有用的指数改进的潜在来源。然而，在一个意想不到的发展中，最近一系列的“追逐化”结果同样迅速消除了几个QML算法的指数加速度的承诺。这提出了关键问题是否是其他线性代数QML算法的指数加速度持续存在。在本文中，我们通过该镜头研究了Lloyd，Garnerone和Zanardi的拓扑数据分析算法后面的量子算法方法。我们提供了证据表明，该算法解决的问题通过表明其自然概括与模拟一个清洁量子位模型很难地难以进行棘手的 - 这被广泛认为需要在经典计算机上需要超时时间 - 并且非常可能免疫追逐。基于此结果，我们为等级估计和复杂网络分析等问题提供了许多新的量子算法，以及其经典侵害性的复杂性 - 理论上。此外，我们分析了近期实现的所提出的量子算法的适用性。我们的结果为全面吹嘘和限制的量子计算机提供了许多有用的应用程序，具有古典方法的保证指数加速，恢复了线性代数QML的一些潜力，以成为量子计算的杀手应用之一。
translated by 谷歌翻译
The problem of generating an optimal coalition structure for a given coalition game of rational agents is to find a partition that maximizes their social welfare and is known to be NP-hard. This paper proposes GCS-Q, a novel quantum-supported solution for Induced Subgraph Games (ISGs) in coalition structure generation. GCS-Q starts by considering the grand coalition as initial coalition structure and proceeds by iteratively splitting the coalitions into two nonempty subsets to obtain a coalition structure with a higher coalition value. In particular, given an $n$-agent ISG, the GCS-Q solves the optimal split problem $\mathcal{O} (n)$ times using a quantum annealing device, exploring $\mathcal{O}(2^n)$ partitions at each step. We show that GCS-Q outperforms the currently best classical solvers with its runtime in the order of $n^2$ and an expected worst-case approximation ratio of $93\%$ on standard benchmark datasets.
translated by 谷歌翻译
强大的模型拟合是计算机视觉中的一个根本问题：用于在异常值存在下预处理原始数据。共识（MaxCon）的最大化是最受欢迎的强大标准之一和广泛使用。最近（Tennakoon等人CVPR2021），MAXCON之间的连接和单调布尔函数的影响估计。用不同的措施装配布尔维亚级并采用不同的采样策略（同一硬币的两侧）可以具有不同的效果：这导致目前的研究。本文研究了求解MAXCON的加权影响的概念。特别是，我们研究了伯努利测量的布尔立方体，并执行偏置（与均匀）采样进行偏见。从理论上讲，我们证明了在该措施下，属于较大结构的点的加权影响小于属于较小结构的点。我们还考虑了另一个“自然”的采样/加权策略系列，用均匀措施采样，集中在特定（汉明）水平的立方体。基于加权采样，我们修改了Tennakoon等人的算法，并在合成和实时数据集测试。本文不促进新方法本身，而是研究加权抽样问题。因此，我们未声称已经产生了卓越的算法：相反，我们展示了伯努利采样的一些适度增益，并且我们在数据和加权采样中阐明了结构之间的一些相互作用。
translated by 谷歌翻译
量子计算有可能彻底改变和改变我们的生活和理解世界的方式。该审查旨在提供对量子计算的可访问介绍，重点是统计和数据分析中的应用。我们从介绍了了解量子计算所需的基本概念以及量子和经典计算之间的差异。我们描述了用作量子算法的构建块的核心量子子程序。然后，我们审查了一系列预期的量子算法，以便在统计和机器学习中提供计算优势。我们突出了将量子计算应用于统计问题的挑战和机遇，并讨论潜在的未来研究方向。
translated by 谷歌翻译
尽管被认为是计算的下一个前沿，但量子计算仍处于开发的早期阶段。实际上，当前的商业量子计算机遭受了一些关键的约束，例如嘈杂的过程和有限数量的量子数，以及影响量子算法性能的量子。尽管有这些局限性，研究人员仍在努力提出不同的框架，以有效使用这些嘈杂的中间尺度量子（NISQ）设备。这些过程之一是D'Wave Systems的量子量化器，可以通过将其转化为能量最小化问题来解决优化问题。在这种情况下，这项工作的重点是在解决现实世界中组合优化问题时提供有用的见解和信息。这项研究的主要动机是向非专家利益相关者开放一些量子计算前沿。为此，我们以参数敏感分析的形式进行了广泛的实验。该实验是使用旅行推销员问题作为基准测试问题进行的，并采用了两个Qubos：最先进的和一个启发式产生的。我们的分析已在单个7点的实例上进行，并且基于200多个不同的参数配置，包括3700多个单一统一运行和700万个量子读取。多亏了这项研究，已经获得了与能量分布和最合适的参数设置有关的发现。最后，进行了一项其他研究，旨在确定在进一步的TSP实例中启发式QUBO的效率。
translated by 谷歌翻译
优化在离散变量上的高度复杂的成本/能源功能是不同科学学科和行业的许多公开问题的核心。一个主要障碍是在硬实例中的某些变量子集之间的出现，导致临界减慢或集体冻结了已知的随机本地搜索策略。通常需要指数计算工作来解冻这种变量，并探索配置空间的其他看不见的区域。在这里，我们通过开发自适应梯度的策略来介绍一个量子启发的非本球非识别蒙特卡罗（NMC）算法，可以有效地学习成本函数的关键实例的几何特征。该信息随行使用，以构造空间不均匀的热波动，用于以各种长度尺度集体未填充变量，规避昂贵的勘探与开发权衡。我们将算法应用于两个最具挑战性的组合优化问题：随机k可满足（K-SAT）附近计算阶段转换和二次分配问题（QAP）。我们在专业的确定性求解器和通用随机求解器上观察到显着的加速和鲁棒性。特别是，对于90％的随机4-SAT实例，我们发现了最佳专用确定性算法无法访问的解决方案，该算法（SP）具有最强的10％实例的解决方案质量的大小提高。我们还通过最先进的通用随机求解器（APT）显示出在最先进的通用随机求解器（APT）上的时间到溶液的两个数量级改善。
translated by 谷歌翻译
图形匹配优化问题是计算机视觉中许多任务的重要组成部分，例如在通信中带来两个可变形对象。自然，在过去的几十年中，已经提出了广泛的适用算法。由于尚未开发出通用的标准基准，因此由于对不同的问题实例的评估和标准使结果无与伦比，因此通常很难验证其绩效主张。为了解决这些缺点，我们提出了匹配算法的比较研究。我们创建了一个统一的基准测试标准，在其中收集和分类了一组现有和公开可用的计算机视觉图形匹配问题，以通用格式。同时，我们收集和分类图形匹配算法的最流行的开源实现。它们的性能以与比较优化算法的最佳实践相符的方式进行评估。该研究旨在可再现和扩展，以作为未来的宝贵资源。我们的研究提供了三个值得注意的见解：1。）流行问题实例在少于1秒的时间内完全可以解决，因此不足以进行将来的经验评估； 2.）最受欢迎的基线方法高于最佳可用方法； 3.）尽管该问题存在NP硬度，但即使对于具有超过500个顶点的图形，也可以在几秒钟内求解来自视力应用程序的实例。
translated by 谷歌翻译
Graph clustering is a fundamental problem in unsupervised learning, with numerous applications in computer science and in analysing real-world data. In many real-world applications, we find that the clusters have a significant high-level structure. This is often overlooked in the design and analysis of graph clustering algorithms which make strong simplifying assumptions about the structure of the graph. This thesis addresses the natural question of whether the structure of clusters can be learned efficiently and describes four new algorithmic results for learning such structure in graphs and hypergraphs. All of the presented theoretical results are extensively evaluated on both synthetic and real-word datasets of different domains, including image classification and segmentation, migration networks, co-authorship networks, and natural language processing. These experimental results demonstrate that the newly developed algorithms are practical, effective, and immediately applicable for learning the structure of clusters in real-world data.
translated by 谷歌翻译
最近已扩展了最小方形聚类（MSSC）或K-均值类型聚类的最小总和，以利用每个群集的基数的先验知识。这种知识用于提高性能以及解决方案质量。在本文中，我们提出了一种基于分支和切割技术的精确方法，以解决基数受限的MSSC。对于下边界的例程，我们使用Rujeerapaiboon等人最近提出的半决赛编程（SDP）放松。 [Siam J. Optim。 29（2），1211-1239，（2019）]。但是，这种放松只能用于小型实例中的分支和切割方法。因此，我们得出了一种新的SDP松弛，该松弛随着实例大小和簇的数量更好。在这两种情况下，我们都通过添加多面体切割来增强结合。从量身定制的分支策略中受益，该策略会实施成对的约束，我们减少了儿童节点中出现的问题的复杂性。相反，对于上限，我们提出了一个本地搜索过程，该过程利用在每个节点上求解的SDP松弛的解。计算结果表明，所提出的算法在全球范围内首次求解了大小的现实实例，比通过最新精确方法求解的算法大10倍。
translated by 谷歌翻译
我们提出了算法贡献，可提高在异常值影响的几何回归问题中稳健的修剪效率。该方法在很大程度上依赖于快速排序算法，我们提出了两个重要的见解。首先，部分排序足以进行x-TheThepile值的增量计算。其次，线性拟合问题中的正常方程可能会通过在排序过程中跨x-TheStile边界上记录交换操作来逐渐更新。除了线性拟合问题外，我们还展示了如何将技术额外应用于封闭形式的非线性能量最小化问题，从而在几何最佳目标下实现有效的修剪拟合。我们将方法应用于两种不同的摄像机切除算法，并展示了高效和可靠的几何修剪拟合。
translated by 谷歌翻译
我们将数字化量子退火（QA）和量子近似优化算法（QAOA）应用于人工神经网络中监督学习的范式任务：二元切割的突触权优化。在与MaxCut常用的Qoaa应用程序方差，或对Quantum Spin-Chains接地状态准备，经典Hamiltonian的特征在于高度非局部多自旋相互作用。然而，我们为QAOA参数提供最佳顺利解决的证据，这些参数可在同一问题的典型实例之间转移，并且我们证明了Qaoa在传统Qa上的增强性能。我们还研究了QAOA优化景观几何形状在这个问题中的作用，表明QA中遇到的间隙闭合转变的不利影响也对我们实施QAOA实施的表现负面影响。
translated by 谷歌翻译