-
公开(公告)号：CN113383348B
公开(公告)日：2025-01-24
申请号：CN201980081493.7
申请日：2019-12-06
Applicant: 国际商业机器公司
IPC: G06N10/00
Abstract: 一种方法，包括：检测用于编译的第一量子电路的提交，所述第一量子电路包括第一组量子逻辑门；产生第一门索引，该第一门索引包括该组量子逻辑门子集的有序表，该量子逻辑门子集的每个量子逻辑门包括由该量子逻辑门作用的对应的量子位集；比较所述第一门索引与第二门索引以确定所述第一量子电路与所述第二量子电路的结构等同性；以及响应于确定所述第一量子电路和所述第二量子电路的结构等同性，将所述第二量子电路的第二组量子逻辑门的第一组参数与所述第一组量子逻辑门的第二组参数参数化。
-
公开(公告)号：CN117203680A
公开(公告)日：2023-12-08
申请号：CN202280019832.0
申请日：2022-03-10
Applicant: 国际商业机器公司
IPC: G06V20/40 , G06V10/82 , G06V10/764 , G06N20/00 , G06N3/0442
Abstract: 提供了一种用于数据模态的自适应选择以进行高效视频识别的方法。该方法包括：接收包括多个数据模态上的视频段序列的输入视频。该方法还包括：对于序列中的视频段，基于表示视频段的数据，选择一个或多个数据模态。所选择的每个数据模态对于视频段的视频识别是最佳的。该方法还包括：对于所选择的每个数据模态，将表示所选择的数据模态上的视频段的至少一个数据输入提供给与所选择的数据模态相对应的机器学习模型，并且经由机器学习模型生成表示视频段的第一类型的预测。该方法还包括：通过聚合所有所生成的第一类型的预测，确定表示整个输入视频的第二类型的预测。
-
-
公开(公告)号：CN113383348A
公开(公告)日：2021-09-10
申请号：CN201980081493.7
申请日：2019-12-06
Applicant: 国际商业机器公司
IPC: G06N10/00
Abstract: 一种方法，包括：检测用于编译的第一量子电路的提交，所述第一量子电路包括第一组量子逻辑门；产生第一门索引，该第一门索引包括该组量子逻辑门子集的有序表，该量子逻辑门子集的每个量子逻辑门包括由该量子逻辑门作用的对应的量子位集；比较所述第一门索引与第二门索引以确定所述第一量子电路与所述第二量子电路的结构等同性；以及响应于确定所述第一量子电路和所述第二量子电路的结构等同性，将所述第二量子电路的第二组量子逻辑门的第一组参数与所述第一组量子逻辑门的第二组参数参数化。
-
公开(公告)号：CN113196309A
公开(公告)日：2021-07-30
申请号：CN201980079036.4
申请日：2019-11-27
Applicant: 国际商业机器公司
IPC: G06N10/00
Abstract: 提供了关于分子激发态的量子计算的技术。例如，系统可以包括可以存储计算机可执行组件的存储器。系统还可以包括处理器，处理器可操作地耦合到存储器并且可以执行存储在存储器中的计算机可执行组件。计算机可执行组件可以包括初始化组件，初始化组件可以基于映射的量子位哈密顿量中的具有对称性的多个激发算子的换向特性将多个激发算子从映射的量子位哈密顿量分类到扇区。计算机可执行组件还可以包括矩阵组件，矩阵组件可以基于初始化组件分类的扇区，从多个激发算子中的一个激发算子生成运动矩阵方程。
-
Patent Agency Ranking
公开(公告)号：CN110647793B
公开(公告)日：2023-06-06
申请号：CN201910561512.8
申请日：2019-06-26
Applicant: 国际商业机器公司
IPC: G06V10/82 , G06N3/0464
Abstract: 本发明的实施例涉及一种计算机实现的方法，用于输入数据的多尺度表示。该计算机实现的方法的非限制性示例包括处理器接收原始输入。处理器将原始输入下采样成缩减输入。处理器在缩减输入上运行第一卷积神经网络“CNN”。处理器在原始输入上运行第二CNN，其中第二CNN具有比第一CNN更少的层。处理器将第一CNN的输出与第二CNN的输出相合并，并在输出的合并之后提供结果。
-
公开(公告)号：CN110647793A
公开(公告)日：2020-01-03
申请号：CN201910561512.8
申请日：2019-06-26
Applicant: 国际商业机器公司
Abstract: 本发明的实施例涉及一种计算机实现的方法，用于输入数据的多尺度表示。该计算机实现的方法的非限制性示例包括处理器接收原始输入。处理器将原始输入下采样成缩减输入。处理器在缩减输入上运行第一卷积神经网络“CNN”。处理器在原始输入上运行第二CNN，其中第二CNN具有比第一CNN更少的层。处理器将第一CNN的输出与第二CNN的输出相合并，并在输出的合并之后提供结果。
-
公开(公告)号：CN113196309B
公开(公告)日：2025-05-02
申请号：CN201980079036.4
申请日：2019-11-27
Applicant: 国际商业机器公司
IPC: G06N10/00
Abstract: 提供了关于分子激发态的量子计算的技术。例如，系统可以包括可以存储计算机可执行组件的存储器。系统还可以包括处理器，处理器可操作地耦合到存储器并且可以执行存储在存储器中的计算机可执行组件。计算机可执行组件可以包括初始化组件，初始化组件可以基于映射的量子位哈密顿量中的具有对称性的多个激发算子的换向特性将多个激发算子从映射的量子位哈密顿量分类到扇区。计算机可执行组件还可以包括矩阵组件，矩阵组件可以基于初始化组件分类的扇区，从多个激发算子中的一个激发算子生成运动矩阵方程。
-
公开(公告)号：CN111435461B
公开(公告)日：2023-08-11
申请号：CN202010020033.8
申请日：2020-01-09
Applicant: 国际商业机器公司
IPC: G06N3/063 , G06N3/0475 , G06N3/094
Abstract: 本申请涉及使用降低精度的深度神经网络的对抗性输入识别。处理器接收输入数据，并将输入数据提供给包括第一神经网络模型的第一神经网络。第一神经网络模型具有第一数值精度水平。使用第一神经网络从输入数据生成第一特征向量。将输入数据提供给包括第二神经网络模型的第二神经网络。第二神经网络模型具有与第一数值精度水平不同的第二数值精度水平。使用第二神经网络从输入数据生成第二特征向量。计算第一特征向量和第二特征向量之间的差异度量。差异度量指示输入数据是否包括对抗性数据。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
