.png){kind=icon}
返回
Quantum hidden Markov model for sequential analysis
.png){kind=icon}
PRE
AI
DOI：10.1007/s12065-026-01205-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习专注于使计算机系统从数据中学习并基于获取的知识做出决策。隐马尔可夫模型（HMM）是机器学习中用于表示和处理序列数据的概率模型。为提升序列分析性能，我们提出了量子隐马尔可夫模型（QHMM），将经典HMM的每个组件转化为其量子对应形式。所提出的系统包含一种编码方法，将观测发射概率转化为量子态，并利用Gram-Schmidt正交化将转移矩阵转化为量子算子。此外，它采用中间电路测量来传递跨时间步的隐藏状态信息。为评估所提QHMM的性能，我们将其应用于英语语料库和英语-印地语代码混合数据集的词性标注（POS tagging）。所提模型与经典HMM性能的比较也显示，QHMM相比经典HMM具有更高的F1分数。
Keyword:
Quantum computing
Machine learning
Hidden Markov model
Part of speech tagging
Quantum hidden Markov model
Natural language processing
期刊
IF:
2.6
论文数:
120
被引数:
2.0K
机构
引用论文
.png){kind=icon}
Statistical Inference for Probabilistic Functions of Finite State Markov Chains有限状态马尔可夫链的概率函数的统计推断
OAAI
OAAI分享收藏
查看更多内容