メニュー
Quantum convolutional autoencoder (QCAE) for reconstruction-based anomaly detection using QCNN architectures - semi-supervised training on normal samples with reconstruction error as anomaly score.
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/hiyenwong/ai_collection --skill quantum-autoencoder-general-anomalyコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
SOC 職業分類に基づく
SKILL.md を表示中
| name | quantum-autoencoder-general-anomaly |
| description | Quantum convolutional autoencoder (QCAE) for reconstruction-based anomaly detection using QCNN architectures - semi-supervised training on normal samples with reconstruction error as anomaly score. |
| category | quantum |
| created | 2026-07-06T00:00:00.000Z |
| source | arXiv:2607.02135 |
arXiv:2607.02135 - "Quantum Convolutional Autoencoders for Reconstruction-Based Anomaly Detection" by Donovan Slabbert, Francesco Petruccione (2026-07-02)
Quantum convolutional neural networks (QCNNs) adapted into quantum autoencoder (QAE) framework for reconstruction-based anomaly detection. Models trained semi-supervised on normal samples with reconstruction error as anomaly score.
QCNN-to-QAE Architecture: Adapt quantum convolutional neural network architecture into autoencoder framework. Hierarchical representation of quantum information enables efficient compression.
Two Architecture Variants: Models differ in treatment of latent information:
Semi-Supervised Training: Train on normal samples only to reconstruct feature-extracted and dimensionally reduced time-series data.
Reconstruction Error Scoring: Use reconstruction error as anomaly score - anomalies resist compression, producing higher reconstruction errors.
quantum convolutional autoencoder, anomaly detection, QCNN, semi-supervised, reconstruction error, time-series analysis, quantum machine learning
When:
