Application of Quantum Density Matrix in Classical Question Answering and Classical Image Classification

要約

量子密度行列は量子系全体の全情報を表し、密度行列を用いた新しい意味モデルは、量子質問応答タスクにおいてハイポニーや言語的曖昧さなどの言語現象を自然にモデル化する。当然ながら、量子密度行列を古典的な質問応答（QA）タスクに適用することで、より効果的な性能を示すことができると主張する。具体的には、(i)入力が行列である場合に対応するために、長短期記憶（LSTM）に基づく新しいメカニズムを設計し、(ii)新しいメカニズムを畳み込みニューラルネットワーク（CNN）のQA問題に適用して、LSTMベースのQAモデルを量子密度行列で得る。TREC-QAとWIKI-QAのデータセットで我々の新モデルを実験したところ、有望な結果が得られた。同様に、我々は、量子密度行列が、古典的な画像分類のための画像特徴情報と特徴間の関係を強化することができることを主張する。そこで、密度行列とCNNを組み合わせて新しいメカニズムを設計し、(ii)新しいメカニズムをいくつかの代表的な古典的な画像分類タスクに適用することにした。一連の実験により、量子密度行列を画像分類に応用することで、様々なデータセットにおいて汎用性と高い効率性が得られることが示された。また、古典的な質問応答タスクと古典的な画像分類タスクの両方において、量子密度行列を適用することで、より効果的な性能を示すことがわかった。

要約(オリジナル)

Quantum density matrix represents all the information of the entire quantum system, and novel models of meaning employing density matrices naturally model linguistic phenomena such as hyponymy and linguistic ambiguity, among others in quantum question answering tasks. Naturally, we argue that applying the quantum density matrix into classical Question Answering (QA) tasks can show more effective performance. Specifically, we (i) design a new mechanism based on Long Short-Term Memory (LSTM) to accommodate the case when the inputs are matrixes; (ii) apply the new mechanism to QA problems with Convolutional Neural Network (CNN) and gain the LSTM-based QA model with the quantum density matrix. Experiments of our new model on TREC-QA and WIKI-QA data sets show encouraging results. Similarly, we argue that the quantum density matrix can also enhance the image feature information and the relationship between the features for the classical image classification. Thus, we (i) combine density matrices and CNN to design a new mechanism; (ii) apply the new mechanism to some representative classical image classification tasks. A series of experiments show that the application of quantum density matrix in image classification has the generalization and high efficiency on different datasets. The application of quantum density matrix both in classical question answering tasks and classical image classification tasks show more effective performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL