LLM-Guided Initialization for Accelerated Hybrid Quantum-Classical Medical Image Classification
Diese Arbeit zeigt, dass die Verwendung eines Large Language Models zur Initialisierung von Parametern in einem variativen Quantenalgorithmus (AdaInit) die Konvergenz signifikant beschleunigt und Barren Plateaus bei der Klassifizierung medizinischer Bilder auf dem DMR-IR-Datensatz abmildert, wobei eine 160-mal schnellere Trainingsgeschwindigkeit im Vergleich zu einer Zufallsimitialisierung bei vergleichbarer Genauigkeit erreicht wird.