FashionMNIST是一个包含10个类别时尚产品图像的数据集，作为传统MNIST数据集的替代方案，用于机器学习和计算机视觉研究。由Zalando Research团队于2017年发布，该数据集包含60000张训练图像和10000张测试图像，每个类别如T恤、裤子、连衣裙等有6000张训练图像和1000张测试图像。
FashionMNIST 近期进展
2023年8月，SSTQ方法提出了一种面向隐私保护的子采样随机TurboQuant向量量化技术，该技术在处理类似FashionMNIST规模的数据集时能有效降低存储需求同时保护用户隐私。(SSTQ：面向隐私保护的子采样随机TurboQuant向量量化)温度缩放研究在2023年7月揭示了贝叶斯误差代理的可变性规律，这一发现对于在FashionMNIST等数据集上评估模型性能具有重要参考价值。(温度缩放使贝叶斯误差代理可任意变化：一个精确定律)
2023年7月，研究人员首次提出了针对量子神经网络的输入感知动态后门攻击(Q-DIBA)，该方法可能影响在FashionMNIST上训练的量子神经网络的安全性。(Q-DIBA：首个针对量子神经网络的输入感知动态后门攻击)
当前焦点与观察点
FashionMNIST作为机器学习领域的基准数据集，其应用正从传统神经网络扩展到量子神经网络等新兴领域。2023年6月，Analog Interaction Systems研究展示了在模拟硬件上高效运行生成模型的潜力，这可能改变FashionMNIST数据集上的模型部署方式。(Analog Interaction Systems：模拟硬件上高效生成模型)同时，针对混合量子神经网络训练不稳定性的缓解方法在2023年6月被提出，尽管最初针对蛋白质分类，但这些方法有望应用于解决在FashionMNIST上训练量子神经网络时遇到的问题。(混合量子神经网络测量导致训练不稳定的缓解方法用于蛋白质分类)
相似性位置编码(simPE)的鲁棒性研究在2023年6月提供了理论分析与实验验证，这一进展对于提升在FashionMNIST等数据集上应用的模型对图像旋转的鲁棒性具有重要意义。(相似性位置编码simPE在旋转下的鲁棒性：理论分析与实验验证)