基于核方法的监督量子机器学习模型

Jan, 2021

基于核方法的监督量子机器学习模型

Supervised quantum machine learning models are kernel methods

Maria Schuld

TL;DR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。

Abstract

With near-term quantum devices available and the race for fault-tolerant quantum computers in full swing, researchers became interested in the question of what happens if we replace a supervised machine learning model with a quantum circuit. While such "quantum models" are sometimes called "quantum neural networks", it has been repeatedly noted that their ma

quantum machine learning kernel methods supervised models support vector machines variational circuit training

发现论文，激发创造

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

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

特征希尔伯特空间中的量子机器学习

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

监督式机器学习的严谨和鲁棒量子加速

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

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

量子核函数的归纳偏差

通过分析量子核心函数类的光谱特性，我们发现如果其再现核希尔伯特空间具有低维度且包含传统计算难度的函数，则存在量子优势；然而，合适的量子核心函数不易找到，而该偏置相对于经典模型在量子机器学习模型速度提升方面是必须的。

Jun, 2021

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

现代近期量子设备上的量子机器学习：针对真实世界应用的有监督和无监督技术的现状

本综述调查了在量子硬件上实现的监督学习和无监督学习应用，并探讨了其局限性及如何克服这些局限性。在此基础上，评估了这些 QML 实现与它们的经典对应物的性能表现，并讨论了应用 QML 在实际量子设备上存在的瓶颈和潜在解决方案。

Jul, 2023

参数化量子电路作为机器学习模型

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

基于迹引发的量子核的统一框架

将追踪引导的量子核方法与乐高核结合，提出了一种通用框架构建广义的追踪引导的量子核，通过增加模型复杂性，减少量子资源的使用，实现了与全局保真度相媲美的局部投影核的性能。

Nov, 2023