양자 영감 기반의 전문가 혼합(MoE) 프레임워크를 이미지 분류에 적용한 연구로, 고전적 확산 기반 합성곱을 유니터리 스미어링으로, 블록 단위 풀링을 양자 안정자 코드(stabiliser code) 기반 신드롬 추출로 대체하는 고전-양자 하이브리드 구조를 제안한다. MNIST와 Fashion-MNIST 벤치마크에서 다수의 전문가가 공동으로 특징을 처리하는 방식이 개별 전문가 방식 대비 이미지 분류 실패율을 약 2배 감소시킴을 실증하였다.
우리는 첫 번째 합성곱 층의 데이터 조건부 초기화를 위한 간단하면서도 효과적인 학습 비용 제로 방법인 Pre-Warm을 제안한다. 첫 번째 순전파 이전에, Pre-Warm은 단일 학습 배치에서 평균 중심화된 로컬 패치를 추출하고, MiniBatchKMeans로 군집화하며, 역 맨해튼 공간 가중치를 적용한 후, 그 결과로 얻은 센트로이드를 사용해 첫 번째 층 필터의 절반을 초기화한다(나머지는 Kaiming 초기화를 유지). 단일 스케일 매개변수를 제외한 모든 하이퍼파라미터에 대해 닫힌형 규칙을 도출하며, 패치 차원수로부터 스케일에 대한 Kaiming 동등성 경계를 유도한다. 흑백 데이터셋에는 Otsu의 전경 밀도를, 자연 컬러 이미지에는 평균 중심화된 패치의 평균 L2 노름을 사용한다. 두 규칙 모두 격자 탐색에서 관찰된 최적 패치 수를 정확히 예측한다. MNIST, Fashion-MNIST, CIFAR-10, SVHN, CIFAR-100 등 5개의 표준 벤치마크와 8개 시드 쌍 실험에서, Pre-Warm은 표준 Kaiming 초기화 대비 통계적으로 유의미한 정확도 향상을 달성한다(모든 데이터셋에서 p < 0.05, SVHN에서 8/8 승리로 p = 0.0007, CIFAR-100에서 7/8 승리로 p = 0.0033). 이 방법은 무시할 수 있을 정도의 오버헤드를 추가하고, 아키텍처 변경이 불필요하며, 단 몇 줄의 코드만으로 기존 학습 파이프라인에 통합된다. Pre-Warm은 경량의 입력 의존적 신호만으로도 현대 합성곱 네트워크의 최적화 궤적을 의미 있게 개선할 수 있음을 보여준다.
완전 동형 암호화(FHE)와 Microsoft SEAL·TenSEAL을 활용해 CNN 레이어를 암호화 연산에 맞게 수정하고, 암호화된 이미지를 직접 분류하는 프라이버시 보존 컴퓨터 비전(CV) 추론(inference)을 구현했다. MNIST를 기준으로 Kuzushiji MNIST, Fashion-MNIST, CIFAR-10까지 확장해 비암호화 baseline 대비 분류 정확도 저하를 최소화했으며, 컬러 다채널 입력·다중 합성곱 레이어·평균 풀링(pooling) 등 TenSEAL 기반 복잡 연산 지원도 추가했다.