Nov, 2023

基于量子支持向量机的新型特征选择方法

PDF
TL;DR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。
feature selectionmachine learningquantum support vector machinegenetic algorithmbreast cancer
发现论文，激发创造
  • 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

  • 量子支持向量机用于前列腺癌检测的性能分析

    通过应用 Quantum Support Vector Machine (QSVM) 方法，提高了前列腺癌检测的诊断性能，成功创建了一个独特的特征空间，能够检测数据中的复杂非线性模式，相比传统的 SVM 方法，在准确度上有可比较的准确率（92%），敏感性提高了 7.14%，F1-Score 达到 93.33%，将量子计算应用于医学诊断标志着医学技术未来的重大进步。

    Mar, 2024

  • 使用多目标遗传算法生成量子特征映射

    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

  • 量子增强支持向量机与 GPU 加速的大规模恒星分类

    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

  • 变分量子线性求解增强量子支持向量机

    利用量子支持向量机和变分量子线性求解器，我们提出了一种用于处理分类问题的新颖方法，并在 Noisy Intermediate Scale Quantum (NISQ) 设备上进行了全面的数值实验，通过构建一个分类器，实现从一个到七个维度的特征空间的分类。

    Sep, 2023

  • 量子支持向量机用于大数据分类

    该研究表明，通过矩阵乘法技术实现支持向量机，并在量子计算机上实现，可获得当经典取样算法需要多项式时间时的指数加速，以及内积（核）矩阵的矩阵求逆的非稀疏矩阵数乘法，从而在监督式机器学习中实现新数据分类。

    Jul, 2013

  • 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

  • 量子机器学习中的特征重要性与可解释性

    比较量子机器学习和经典机器学习模型中的特征重要性和解释性，使用 IBM 的 Qiskit 平台的混合量子算法（Variational Quantum Classifier 和 Quantum Support Vector Classifier）和经典算法（SVM 和 Random Forests）对广为认可的 Iris 数据集进行实验，并使用置换、去一特征重要性方法以及 ALE 和 SHAP 解释器产生的见解进行对比。

    May, 2024

  • 量子时代的机器学习：量子与经典支持向量机

    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

  • 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