量子核方法的超参数研究

Oct, 2023

A Hyperparameter Study for Quantum Kernel Methods

Sebastian Egginger, Alona Sakhnenko, Jeanette Miriam Lorenz

TL;DR量子核方法中的几何差异对模型性能和经典与量子核之间的泛化差距具有重要影响

Abstract

quantum kernel methods are a promising method in quantum machine learning thanks to the guarantees connected to them. Their accessibility for analytic considerations also opens up the possibility of prescreening datasets based on their potential for a quantum advantage. To do so, earli

quantum kernel methods geometric difference hyperparameter optimization model performance generalization gap

发现论文，激发创造

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

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

量子神经网络的超参数优化

通过比较不同配置，我们对量子机器学习模型的性能进行了研究，提供了性能数据和超参数选择的具体建议。

Mar, 2024

量子核 t 分布随机邻居嵌入

量子数据可视化方法使用量子核心技术，能够快速准确地可视化量子状态，并成功发现受激截面伊辛模型的优化轨迹特征。

Dec, 2023

高效量子异常检测：采用变量子采样和随机测量的单类支持向量机

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

增强量子内核的神经自动设计师

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

基于核方法的监督量子机器学习模型

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

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

通过变分核训练增强量子支持向量机

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