Nov, 2023
量子数据编码：经典到量子映射技术的比较分析及其对机器学习准确性的影响
Quantum Data Encoding: A Comparative Analysis of Classical-to-Quantum Mapping Techniques and Their Impact on Machine Learning Accuracy
Minati Rath, Hema Date
TL;DR该研究探索了将量子数据嵌入技术与经典机器学习算法相结合，旨在评估在各种模型上的性能增强和计算效果。我们探索了多种经典到量子的映射方法，包括基编码、角度编码和幅度编码，通过对包括逻辑回归、K 近邻、支持向量机以及随机森林、LightGBM、AdaBoost 和 CatBoost 在内的流行机器学习算法进行广泛的实证研究，发现量子数据嵌入有助于改善分类准确性和 F1 分数，尤其在与增强特征表示有关的模型中表现突出。我们观察到运行时间方面存在微妙的影响，低复杂度模型展示了适度的增加，而计算复杂度更高的模型则经历了明显的变化。值得注意的是，集成方法在性能提升和计算开销之间表现出有利的平衡。该研究强调了量子数据嵌入在增强经典机器学习模型方面的潜力，并强调了在性能改进与计算成本之间权衡的重要性。未来的研究方向可能涉及优化计算效率的量子编码过程以及在实际应用中的可扩展性。我们的工作为量子计算和经典机器学习交叉领域的不断增长的知识贡献了见解，为寻求利用量子启发技术的研究人员和实践者提供了洞察。