Skip navigation
  1. RI UFPE
  2. Teses e Dissertações
  3. Teses e Dissertações defendidas na UFPE
  4. Programa de Pós-Graduação em Ciência da Computação
  5. Dissertações de Mestrado - Ciência da Computação
Please use this identifier to cite or link to this item: https://repositorio.ufpe.br/handle/123456789/66894

Share on

Full metadata record
DC FieldValueLanguage
dc.contributor.advisorSILVA, Adenilton José da-
dc.contributor.authorALCÂNTARA, Felipe Augusto Marques de-
dc.date.accessioned2025-11-18T13:15:06Z-
dc.date.available2025-11-18T13:15:06Z-
dc.date.issued2025-08-22-
dc.identifier.citationALCÂNTARA , Felipe Augusto Marques de. Estratégias de treinamento em batch para classificadores binários quânticos baseados em gradiente. 2025. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2025.pt_BR
dc.identifier.urihttps://repositorio.ufpe.br/handle/123456789/66894-
dc.description.abstractOprocessamento da informação quântica inaugura uma nova forma de computação e uma nova forma de pensar técnicas de processamento de dados para aprendizagem de máquinas. Este estudo investiga o uso da superposição na construção de batches de dados. Trabalhos como (FARHI; NEVEN, 2018) e (SCHULD et al., 2020) introduziram a ideia mas até o presente momento não existe uma análise comparativa ou mesmo uma formalização conceitual sobre o tema. De forma a preencher essa lacuna, propõe-se um método comparativo e uma catego rização das estratégias encontradas na literatura. Como contribuição adicional, apresenta-se uma nova estratégia em que o batch é composto por mais de um circuito com dados em su perposição. As estratégias foram avaliadas de forma experimental em classificadores quânticos variacionais para diferentes configurações de hiperparâmetros do batch. Entre os resultados, verificou-se que estratégias com maior quantidade de padrões em superposição alcançaram valores médios superiores de acurácia no treino e no teste, além de maior capacidade de generalizaçãopt_BR
dc.language.isoporpt_BR
dc.publisherUniversidade Federal de Pernambucopt_BR
dc.rightsopenAccesspt_BR
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/pt_BR
dc.subjectComputação quânticapt_BR
dc.subjectClassificadores quânticospt_BR
dc.subjectAprendizagem em batchpt_BR
dc.subjectAlgoritmos variacionaispt_BR
dc.titleEstratégias de treinamento em batch para classificadores binários quânticos baseados em gradientept_BR
dc.typemasterThesispt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/9174237581772416pt_BR
dc.publisher.initialsUFPEpt_BR
dc.publisher.countryBrasilpt_BR
dc.degree.levelmestradopt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/0314035098884256pt_BR
dc.publisher.programPrograma de Pos Graduacao em Ciencia da Computacaopt_BR
dc.description.abstractxQuantum information processing inaugurates a new form of computation and a new way of designing data processing techniques for machine learning. This study investigates the use of superposition in the construction of data batches. Works such as (FARHI; NEVEN, 2018) and (SCHULD et al., 2020) introduced the idea, but up to now there has been neither a comparative analysis nor a conceptual formalization of the subject. To fill this gap, a comparative method and a categorization of the strategies found in the literature are proposed. As an additional contribution, a new strategy is presented in which the batch is composed of more than one circuit with data in superposition. The strategies were experimentally evaluated in variational quantum classifiers under different batch hyperparameter configurations. Among the results, it was observed that strategies with a higher number of superposed patterns achieved superior average accuracy in both training and testing, as well as greater generalization capacity.pt_BR
Appears in Collections:Dissertações de Mestrado - Ciência da Computação

Files in This Item:
File Description SizeFormat 
DISSERTAÇÃO Felipe Augusto Marques de Alcantara.pdf12.79 MBAdobe PDFThumbnail
View/Open


This item is protected by original copyright

View License
Show simple item record Recommend this item


This item is licensed under a Creative Commons License Creative Commons