用正则的方法在正样本和无标签样本上训练二分类器

正样本-无标签样本学习(Positive-Unlabelled Learning,简称PU Learning)。相对于标准的正样本-负样本学习(Positive-NegativeLearning,简称PNLearning),其是一种仅使用少量正样本和大量无标签样本训练二类分类器的方法。以往工作通常使用一种无偏估计的方法,使用正样本和无标签样本估计PNLearning损失,并建立深度神经网络模型。但是,这种估计方法依赖正样本的数量,当正样本数量较少时,学习算法会发生严重的过拟合。

基于机器学习探测qubit-qutrit系统中量子态的导引性

受机器学习研究2-qubit系统上量子态导引性探测的启发,本文利用不同的机器学习方法研究qubit-qutrit系统上量子态导引性的探测,发现:(1)对于随机态、Werner态和UN态(一类新构造的Alice不可导引Bob的纠缠态)都有导引性探测准确率达到95%以上的监督或半监督机器学习方法;(2)由监督机器学习方法预测的导引界,大部分高于理论提供的不可导引界,低于半正定规划算法(SDP)确定的导引界,这表明机器学习方法对qubit-qutrit系统中量子态导引性探测具有可靠性,且较SDP方法可探测到更多的导引态,为利用机器学习方法探测两体高维系统中量子态导引性奠定基础.