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

本文讨论了量子计算机在机器学习中的应用，介绍了量子机器学习领域的研究方向、挑战和最新进展。

Nov, 2016

本文介绍了机器学习与量子计算的关系以及目前在实践中评估量子计算的困境，提出了拓展研究视角以探究其在机器学习领域的潜在应用的必要性。

Mar, 2022

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

本研究比较了传统机器学习和量子机器学习在物理实验结果预测方面的表现，发现虽然对于任何输入分布，使用经典机器学习模型可以实现平均准确预测，但是利用量子机器学习模型，可以在所有输入分布上达到指数级别的量子优势，此外，我们提出了一种仅需要 O (n) 个副本来预测 n 量子位系统的所有 Pauli 可观察量期望值的量子机器学习模型，为解决物理和化学领域的难题提供了新思路。

Jan, 2021

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

本文旨在从量子信息的角度，发起一种系统地对待机器学习的方法，并涵盖了机器学习的三大分支：监督学习，无监督学习和强化学习。通过这种方法，本文提出了一个系统化的方案以解决强化学习中的量子提升问题，并证明了在限定的时间范围内，对广泛的学习问题都可获得学习效率的二次和性能的指数级增强。

Oct, 2016

利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高，本文对量子计算、机器学习和量子机器学习算法进行了探讨，并提供了一个简化的步骤，可以帮助读者建立量子机器学习算法的模拟。此外，通过在数据集上利用机器学习和量子机器学习方法进行模拟，利用量子模拟器对它们的性能进行了比较。

Nov, 2023

本文系统概述了新兴领域 - 量子机器学习的方法、技术细节以及未来理论的潜力。该领域研究人员研究了量子计算如何帮助改进传统的机器学习算法，具有重要的计算优势。

Sep, 2014

通过使用混合量子 - 经典方法并介绍了一个名为 Quantum-assisted Helmholtz Machine (QAHM) 的新算法，我们提出了一种解决当前量子计算和量子机器学习的困难关系，特别是在生成模型方面的解决方案。

Aug, 2017