量子增强特征空间中量子机器学习模型的普适逼近特性
本文旨在探讨量子计算与机器学习中内核方法之间的相关性,并阐述如何利用通过编码输入数据来创建非线性特征空间的理论基础,进而使用量子计算机进行分析。作者进一步提出使用量子内核估计,并将其输入到经典的内核方法,以及使用变分量子电路作为线性模型来分类数据的两种方法。
Mar, 2018
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
本文研究了数据编码策略对参数化量子电路作为函数逼近器的表达能力的影响,发现量子模型可以被自然地写成数据的部分傅里叶级数,通过多次反复简单的数据编码门,量子模型可以访问越来越丰富的频率光谱,发现存在一些量子模型可以实现所有可能的傅里叶系数集,因此如果可访问频谱足够丰富,则这些模型是通用函数逼近器。
Aug, 2020
本文提出了一种基于混合量子自编码器的 QML 算法,旨在在经典描述的空间中学习识别和分类量子态的特征属性,为聚类和半监督分类提供了一种新的方法,该方法针对的是幅度编码的量子态,可以应用于非平凡的量子数据集的结构分析。
Jul, 2021
我们使用一种多目标遗传算法来高效生成支持向量机的量子特征映射,该方法能使得访问高维希尔伯特空间成为可能,并通过最小化量子特征映射电路的本地和非本地门成本来同时最大化分类准确度,对比了经典分类器以了解量子机器学习的优势,并显示出量子核方法的优化配置中需要包含比例数量的非本地门用于纠缠,以及证明数据的可分离性指标可以有效地用于确定量子支持向量机特征映射所需的非本地门数量,从而在基于数据分析的各种量子编程包(如 quiskit.org)中选择适当的参数(例如纠缠参数),我们的发现为增强量子机器学习算法的效率和准确性提供了有价值的指导。
Aug, 2023
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
我们提出了一种数据驱动的方法,自动设计针对特定问题的量子特征映射,利用特征选择技术处理高维数据,通过深度神经预测器评估不同候选量子核的性能,通过广泛的数值模拟展示了我们方法的优越性,尤其是在消除核浓度问题和确定具有预测优势的特征映射方面。我们的工作不仅释放了量子内核增强实际任务的潜力,还强调了深度学习在推动量子机器学习方面的重要作用。
Jan, 2024
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