该研究探索了将量子数据嵌入技术与经典机器学习算法相结合，旨在评估在各种模型上的性能增强和计算效果。我们探索了多种经典到量子的映射方法，包括基编码、角度编码和幅度编码，通过对包括逻辑回归、K 近邻、支持向量机以及随机森林、LightGBM、AdaBoost 和 CatBoost 在内的流行机器学习算法进行广泛的实证研究，发现量子数据嵌入有助于改善分类准确性和 F1 分数，尤其在与增强特征表示有关的模型中表现突出。我们观察到运行时间方面存在微妙的影响，低复杂度模型展示了适度的增加，而计算复杂度更高的模型则经历了明显的变化。值得注意的是，集成方法在性能提升和计算开销之间表现出有利的平衡。该研究强调了量子数据嵌入在增强经典机器学习模型方面的潜力，并强调了在性能改进与计算成本之间权衡的重要性。未来的研究方向可能涉及优化计算效率的量子编码过程以及在实际应用中的可扩展性。我们的工作为量子计算和经典机器学习交叉领域的不断增长的知识贡献了见解，为寻求利用量子启发技术的研究人员和实践者提供了洞察。

Nov, 2023

我们构建了一个量子回归算法并确定了变分参数与学习回归系数之间的直接关系，利用直接将数据编码到反映经典数据表结构的量子振幅的电路。该算法适用于连接良好的量子比特，具有对数级时间复杂度优势，并提供了与传统一热编码技术相比所需的物理比特数量显著减少的压缩二进制编码方法，同时还能进行非线性回归。通过在实践中从量子回归模型学习中进行重要特征选择的集成模型训练，我们能够减小硬件噪音的影响。

Jul, 2023

使用具有表达性编码映射和超参数化参量的变分量子电路模型引入了联邦学习，显示了表达性映射对抗梯度反演攻击具有内在隐私保护能力，而超参数化则确保了模型的可训练性。同时，通过数值扩展论证了攻击模型中表达性映射的欠参数化导致丢失地形被大量虚假局部极小点淹没，使得攻击难以成功，从而强有力地宣称量子机器学习模型的本质性质有助于防止联邦学习中的数据泄露。

Sep, 2023

该综述论文介绍了混合量子 - 经典系统的模型和组件，并讨论了它们在监督式学习、生成建模等数据驱动任务中的应用，预示着这个迅速发展的领域将有广泛的现实应用。

Jun, 2019

该论文研究了数据编码在量子机器学习模型中的作用，证明了其在决策边界和噪音数据处理中的重要性，并定义了鲁棒数据编码的概念，并提供了数值结果以验证所述发现。

Mar, 2020

参数化量子电路作为机器学习模型通常通过输入特征的部分傅里叶级数来描述，其频率由特征映射的生成哈密顿量唯一确定。本文提出了一个可训练频率 (TF) 的量子模型的泛化方法，演示了 TF 模型如何学习具有理想特性的生成器，并且可以在频谱中包含非常规间距的频率和灵活的谱丰度。最后，通过仅向每个编码操作添加单个参数的 TF 模型，在解决 Navier-Stokes 方程时展示了我们方法的真实效果和提高的准确性。由于 TF 模型包含传统的固定频率模型，它们可能是变分量子机器学习的合理默认选择。

Sep, 2023

本文证明典型情况下，基于量子增强特征空间的机器学习模型是连续函数的通用逼近器，从理论角度探究了量子特征映射的表达能力与在分类不相交区域方面的功能。

Sep, 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

证明了结构简单的 PQCs 在生成任务中具有比任何经典神经网络更好的表达能力，PQCs 在贝叶斯学习和半监督学习中的应用前景广阔。

Oct, 2018

探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处，提出了一种用于评估量子学习任务潜在优势的方法，并提出了一种通过量子速度提高学习效率的量子机器学习模型。

Nov, 2020