监督式机器学习的严谨和鲁棒量子加速

Oct, 2020

监督式机器学习的严谨和鲁棒量子加速

A rigorous and robust quantum speed-up in supervised machine learning

Yunchao Liu, Srinivasan Arunachalam, Kristan Temme

TL;DR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。

Abstract

Over the past few years several quantum machine learning algorithms were proposed that promise quantum speed-ups over their classical counterparts. Most of these learning algorithms either assume quantum access to data -- making it unclear if quantum speed-ups still exist without makin

quantum machine learning supervised classification quantum speed-up support vector machine kernel function

发现论文，激发创造

监督和无监督机器学习的量子算法

本文提出了适用于聚类分配和聚类查找的有监督和无监督的量子机器学习算法，利用量子计算能够处理高维向量的优势，实现了对于大量向量的分类问题的指数级加速。

Jul, 2013

量子支持向量机用于大数据分类

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

量子增强特征空间的监督学习

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

混合量子计算机上的无监督机器学习

利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题，并展示出在噪声环境下稳健的表现和经典优化方法的适用性。

Dec, 2017

量子机器学习中的数据力量

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

经典学习器与量子学习器之间的指数差距

本文探讨如何找到一些学习问题，量子学习算法可以在其中证明比经典学习算法快速得多，还具有物理意义的应用，例如，在凝聚态物理和高能物理中表现出来的数据。

Jun, 2023

量子机器学习：量子核方法

通过使用基于量子核方法的量子算法，我们描述了如何识别获得量子优势的条件，以及将量子核作为特征提取层应用于卷积神经网络。

May, 2024

高效量子异常检测：采用变量子采样和随机测量的单类支持向量机

量子计算在机器学习任务中的潜力使得核计算和模型精度得到显著提高。通过使用一类支持向量机和量子核，相对于经典对照方法，先前研究观察到了显着的平均精度改进。然而，传统计算这些核的方法对于数据大小具有二次时间复杂度，这在实际应用中带来了挑战。为了缓解这个问题，我们探索了两种不同的方法：利用随机测量来评估量子核以及实施可变子采样集合方法，这两种方法都针对线性时间复杂度。实验结果表明，采用这些方法的训练和推断时间大大减少，分别达到了 95% 和 25%，同时随机测量的平均精度明显优于经典径向基函数核，为进一步研究可扩展、高效的量子计算在机器学习中的应用方向提供了有希望的线索。

Dec, 2023

基于核方法的监督量子机器学习模型

用核方法重新描述监督式的量子模型，用支持向量机进行训练可以得到比变分电路训练更好或同等的结果。

Jan, 2021

量子机器学习：经典视角

通过回顾机器学习中的量子计算文献，研究了量子算法的限制、与传统经典算法的比较，以及为什么期望量子资源能够提供学习问题的优势，而在存在噪声和某些计算困难的问题中，量子计算令人期待的路线。

Jul, 2017