本文提出一种量子支持向量机分类器模型，实现有监督分类并取得了明显的量子加速，要求仅具备经典数据访问能力。在构造的数据集中，基于普遍认为的离散对数问题的困难性假设，该量子分类器实现的分类效果均优于无法逆多项式地超越瞎猜的经典学习器。这个模型可以通过一个容错的量子计算机来估算内积核函数，并且将数据映射为一个量子特征空间。此外，该分类器对由有限采样误差产生的内积核函数的加性误差具有一定的鲁棒性。

Oct, 2020

量子机器学习算法对工业应用的潜在影响仍然是一个激动人心的待解问题，我们尝试通过改进一种近期提出的变分算法，用当前可用的量子计算机的本机门集合和拓扑结构逼近准备编码数据，将该算法应用于 Fashion-MNIST 数据集，并在当前量子计算机上部署简单的量子变分分类器对编码的数据集进行训练，实现了中等精度的结果，为我们的数据编码方法的近期可用性提供了概念验证。

Mar, 2024

提出了一种利用量子算法实现降维和分类的方法，并对其性能进行了对比，结果表明其在训练数据向量队列和特征空间维数方面都比已知的经典算法具有指数级的加速度；同时，还给出了一种利用海森矩阵链积的量子算法，实现了线性及非线性费舍尔判别分析。

Oct, 2015

使用低温量子门进行量子计算机机器学习是实验上挑战性的，因此我们提出了一个在室温下的 “玩具模型”，通过光学变换实现了对 MNIST/Fashion-MNIST 数据的分类，并展示了量子力学测量过程的教学工具。

Aug, 2020

本文探讨使用量子分类器对二进制属性进行模式分类，特别是对图像数据集的分类表现良好，对医学领域来说是具有很大潜力的。

Nov, 2020

本研究提出了一种新颖的方法，量子支持向量机特征选择（QSVMF），将量子支持向量机与多目标遗传算法相结合。QSVMF 通过优化多个同时目标来实现：最大化分类准确性，最小化选定特征和量子电路成本，并减少特征协方差。我们将 QSVMF 应用于一个乳腺癌数据集进行特征选择，将 QSVMF 与传统方法在选定特征上的性能进行对比。实验结果表明，QSVMF 取得了卓越的性能。此外，QSVMF 的帕累托前缘解能够分析准确性与特征集大小的权衡，识别出极度稀疏但准确的特征子集。我们从已知的乳腺癌生物标志物的角度解释了所选特征的生物学相关性。本研究强调了量子特征选择在提高机器学习效率和性能方面的潜力，尤其是在处理复杂的真实世界数据时。

Nov, 2023

利用量子退火 D-Wave 2X 计算机实现稀疏编码问题的最优解，通过瓶颈自编码器将 MNIST 图像降维，再使用类似 AlexNet 的 TensorFlow 结构进行分类。利用线性支持向量机对 D-Wave 2X 推断出的稀疏表示进行分类，分类准确率高达 95.68%。

May, 2019

本研究中，我们提出了两种量子算法用于机器学习问题的处理，即量子变分分类器和量子核估计器，并在超导处理器上实现了这两种算法，为探索噪声中等规模量子计算机在机器学习中的应用提供了新的工具。

Apr, 2018

该研究表明，通过矩阵乘法技术实现支持向量机，并在量子计算机上实现，可获得当经典取样算法需要多项式时间时的指数加速，以及内积（核）矩阵的矩阵求逆的非稀疏矩阵数乘法，从而在监督式机器学习中实现新数据分类。

Jul, 2013

研究了用于手写数字 MNIST 数据集分类问题的混合量子 - 经典神经网络的性能，结果表明虽然模拟时间较长，但是该模型优于传统网络，达到更好的收敛性和高的训练和测试精度。

Aug, 2021