基于核方法的监督量子机器学习模型
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
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
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
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
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