Publikationen

Die im Rahmen des AutoQML-Forschungsprojekts gewonnenen Erkenntnisse werden im Lauf des Projekts in einer Reihe von Publikationen als zentrale Forschungsergebnisse für die wissenschaftliche Fachwelt aufbereitet. 

Wissenschaftliche Publikationen 

[1] D. Klau, H. Krause,  D. A. Kreplin, M. Roth, C. Tutschku and M. Zöller »AutoQML – A Framework for Automated Quantum Machine Learning«, 2023, https://www.digital.iao.fraunhofer.de/content/dam/iao/ikt/de/documents/AutoQML_Framework.pdf

[2] D. A. Kreplin, M. Willmann, J. Schnabel, F. Rapp and M. Roth »sQUlearn – A Python Library for Quantum Machine Learning«, 2023, https://doi.org/10.48550/arXiv.2311.08990
 
[3] J. Berberich, D. Fink, D. Pranjić, C. Tutschku and C. Holm, »Training robust and generalizable quantum models«, 2023, https://doi.org/10.48550/arXiv.2311.11871
 
[4] D. Klau, M. Zöller and C. Tutschku, »Bringing Quantum Algorithms to Automated Machine Learning: A Systematic Review of AutoML Frameworks Regarding Extensibility for QML Algorithms«, 2023, https://doi.org/10.48550/arXiv.2310.04238
 
[5] H. Stühler, M.-A. Zöller, D. Klau, A. Beiderwellen-Bedrikow and C. Tutschku, »Benchmarking Automated Machine Learning Methods for Price Forecasting Applications«, 2023, https://doi.org/10.48550/arXiv.2304.14735
 
[6] F. Rapp and M. Roth, »Quantum Gaussian Process Regression for Bayesian Optimization«, 2023, https://doi.org/10.48550/arXiv.2304.12923
 
[7] P.-A. Matt, R. Ziegler, D. Brajovic, M. Roth and M. F. Huber, »A Nested Genetic Algorithm for Explaining Classification Data Sets with Decision Rules«, 2022, https://doi.org/10.48550/arXiv.2209.07575