Machine und Deep Learning Seminar

Permutationen in Neuronalen Netzen und Quantum Annealing

Permutationen treten bei allen Anwendungen auf, bei denen die Daten nicht natürlich geordnet sind, zum Beispiel die Eckpunkte in einer Punktwolke, die in beliebiger Reihenfolge gespeichert sind. Die Extraktion der Zuordnung zwischen zwei Instanzen ist oft eine Voraussetzung für nachgelagerte Aufgaben. Die Optimierung für Permutationen ist jedoch aufgrund ihrer diskreten Natur und komplizierter Beschränkungen, die nicht gut skalierbar sind, kompliziert. In diesem Vortrag wird eine neue Repräsentation für Permutationen vorstellen, die eine kontinuierliche Optimierung ermöglicht, die in neuronalen Netzen verwendet werden kann und darüber hinaus keine Speicherung einer quadratischen Permutationsmatrix erfordert. Darüber hinaus wird es eine Einführung in das Quanten-G-Annealing geben, das bei der Lösung quadratischer, nicht beschränkter binärer Optimierungsprobleme äußerst effizient ist, und die Möglichkeiten zur Einbeziehung von Permutationsbeschränkungen in diesem Rahmen erläutern.