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

本文针对 QSVM 模型的两种方法：量子核 SVM（QK-SVM）和量子变分 SVM（QV-SVM）进行研究，并提出了一种将二者优势相结合的新型模型：量子变分核 SVM（QVK-SVM）。实验结果表明，QVK-SVM 在准确性、损失和混淆矩阵指标方面均优于现有模型，具有很大的应用潜力，值得被推广应用于未来的量子机器学习研究。

May, 2023

基于量子核方法和支持向量机的混合量子分类器容易受到对抗攻击，但基于数据增强的简单防御策略可以使分类器对新攻击具有鲁棒性，这在安全关键学习问题和减轻某些形式的量子噪声的影响中具有应用。

Apr, 2024

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

SVM 与量子退火器相结合的 FaLK-SVM 方法在处理大规模实际数据集时展现出了良好的性能和可扩展性。

Mar, 2024

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

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

我们引入了一种革新性的量子增强支持向量机（QSVM）方法，利用量子计算和 GPU 加速来进行恒星分类，QSVM 算法在处理复杂的二元和多类别情况下显著优于传统方法，尤其是在哈佛恒星分类系统中。量子原理的整合显著提高了分类准确性，而使用 cuQuantum SDK 进行 GPU 加速确保了量子模拟器中大数据集的计算效率和可扩展性。这种协同作用不仅加快了处理过程，还提高了分类不同恒星类型的准确性，为天体物理学和相关科学领域的研究提供了量子机器学习的变革潜力，为恒星分类的精度和处理速度跃升到一个新的水平。这一进展对天体物理学和相关科学领域具有广泛的影响。

Nov, 2023

本文介绍了一种使用量子核心的支持向量机算法，旨在用于卫星数据分析，并以云检测为例，对 Landsat-8 多光谱数据集进行了实验，表明该算法可以成功分类卫星图像并达到与传统支持向量机相同的准确性。

Jul, 2023

本文旨在比较机器学习算法的有效性在经典和量子计算范式中。通过研究经典支持向量机和基于量子硬件的量子支持向量机在鸢尾花数据集上的分类能力，我们发现在特定场景下，量子支持向量机可以与经典支持向量机相媲美的准确率，尽管目前的执行时间较长。此外，我们强调增加量子计算能力和并行规模可以显著提高量子机器学习算法的性能。这项研究为我们提供了关于机器学习在量子计算时代的现状和未来潜力的宝贵见解。

Oct, 2023