本研究提出了一种新颖的方法，量子支持向量机特征选择（QSVMF），将量子支持向量机与多目标遗传算法相结合。QSVMF 通过优化多个同时目标来实现：最大化分类准确性，最小化选定特征和量子电路成本，并减少特征协方差。我们将 QSVMF 应用于一个乳腺癌数据集进行特征选择，将 QSVMF 与传统方法在选定特征上的性能进行对比。实验结果表明，QSVMF 取得了卓越的性能。此外，QSVMF 的帕累托前缘解能够分析准确性与特征集大小的权衡，识别出极度稀疏但准确的特征子集。我们从已知的乳腺癌生物标志物的角度解释了所选特征的生物学相关性。本研究强调了量子特征选择在提高机器学习效率和性能方面的潜力，尤其是在处理复杂的真实世界数据时。

Nov, 2023

我们使用一种多目标遗传算法来高效生成支持向量机的量子特征映射，该方法能使得访问高维希尔伯特空间成为可能，并通过最小化量子特征映射电路的本地和非本地门成本来同时最大化分类准确度，对比了经典分类器以了解量子机器学习的优势，并显示出量子核方法的优化配置中需要包含比例数量的非本地门用于纠缠，以及证明数据的可分离性指标可以有效地用于确定量子支持向量机特征映射所需的非本地门数量，从而在基于数据分析的各种量子编程包（如 quiskit.org）中选择适当的参数（例如纠缠参数），我们的发现为增强量子机器学习算法的效率和准确性提供了有价值的指导。

Aug, 2023

利用量子计算机在推荐系统中解决经典计算机无法处理的问题是一个值得研究的课题。本文使用量子退火机解决推荐算法中的特征选择问题，并结合反事实分析，大大提高了基于物品的 KNN 推荐算法的性能，相较于纯粹使用互信息方法。大量实验证明，利用反事实分析在解决此类问题方面具有巨大潜力。

Jul, 2024

本文提出了一个高效和高准确度的量子分类器，它利用降维和分类的量子技术，被测试在 MNIST 数据集上，具有类似经典方法的 98.5％准确度，并且在数据点和维度上的运行时间是多对数的。

May, 2018

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

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

我们提出了一种数据驱动的方法，自动设计针对特定问题的量子特征映射，利用特征选择技术处理高维数据，通过深度神经预测器评估不同候选量子核的性能，通过广泛的数值模拟展示了我们方法的优越性，尤其是在消除核浓度问题和确定具有预测优势的特征映射方面。我们的工作不仅释放了量子内核增强实际任务的潜力，还强调了深度学习在推动量子机器学习方面的重要作用。

Jan, 2024

本研究介绍一种混合经典 - 量子算法来解决大规模经典数据集和量子计算机只能对模型空间进行叠加访问的问题。该算法使用数据减少技术构建称为 coreset 的加权子集，通过量子计算机执行 Grover 搜索或拒绝取样，从而在最大似然估计，贝叶斯推断和鞍点优化方面实现了量子加速。具体的应用包括 k-means 聚类，逻辑回归，零和博弈和提升。

Mar, 2020

量子内核被认为在量子机器学习的早期阶段能够提供有用性，但是高度复杂的经典模型很难在不丧失解释能力的情况下超越其，并且当数据稀缺且倾斜时经典模型遇到困难。在这项工作中，我们提出了一种称为系统量子分数（SQS）的新方法，并提供了初步结果，表明在金融部门的生产级用例中，它比纯粹的经典模型具有潜在优势。SQS 在我们的具体研究中表现出从较少数据点中提取模式的能力增加，以及在像 XGBoost 这样需要大量数据的算法上改善了性能，从而在竞争激烈的市场中提供了优势。

Mar, 2024