用于时间序列预测的量子序列模型批处理训练比较

Paper#Quantum Machine Learning, Time Series Forecasting🔬 Research|分析: 2026年1月4日 00:02•
发布: 2025年12月26日 01:19
•
1分で読める
•ArXiv

分析

本文针对时间序列预测，对两种量子序列模型 QLSTM 和 QFWP 进行了系统性的比较，重点关注批量大小对性能和运行时的影响。该研究的价值在于其提供的实用基准测试流程，以及它对这些模型的速度-精度权衡和可扩展性的见解。EPC（等参数计数）和伴随微分设置提供了公平的比较。关注组件级别的运行时对于理解性能瓶颈至关重要。本文的贡献在于提供了关于批量大小选择的实用指导，并突出了速度和精度之间的帕累托前沿。
引用 / 来源
查看原文
"QFWP achieves lower RMSE and higher directional accuracy at all batch sizes, while QLSTM reaches the highest throughput at batch size 64, revealing a clear speed accuracy Pareto frontier."
A
ArXiv2025年12月26日 01:19
* 根据版权法第32条进行合法引用。
较旧

Toward Generalizable Surrogate Models for Molecular Dynamics via Graph Neural Networks

较新

Q-A3C2: Quantum Reinforcement Learning with Time-Series Dynamic Clustering for Adaptive ETF Stock Selection

相关分析

Paper

从未对齐图像即时进行3D场景编辑

2026年1月3日 06:10

Paper

基于选择策略的协调人形机器人操作

2026年1月3日 06:10

Paper

用于未来预测的LLM预测

2026年1月3日 06:10

来源: ArXiv