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

本文使用随机梯度下降算法 Pegasos 扩展至量子情形，以此解决量子支持向量机的核对齐问题。实验结果表明此算法可对非平稳数据实现高精度对准，优于现存的量子核对齐技术。

Apr, 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

本文介绍了基于 Kernel-Target Alignment（TA）的优化方法，能够将高成本的电路替换为中等规模的任务专用电路，旨在减少量子分类器中的硬件资源，并提出了一个简单的玩具模型来研究其优化概况。通过实验证明，对于欠参数化的电路，优化概况具有许多局部极值，或成为一个带有狭窄全局极值的平坦状态，并发现全局极值峰的宽度取决于引入模型的数据量。

Jun, 2023

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

通过引入 QUACK 算法，我们提出了一个时间复杂度线性缩放的量子内核算法，能够在训练过程中表现与经典内核方法相似的性能，并且可以处理高维数据集。

May, 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

我们提出了一种使用迭代 Krylov 子空间求解器和随机改编技术进行优化的变分量子蒙特卡罗方法，通过去除构建和存储哈密顿矩阵和重叠矩阵的需要，有效地优化了变分参数以达到了比以前更高的精度。

Aug, 2011

本文提出了两种基于机器学习的方法，采用强化学习 (RL) 框架和核密度估计 (KDE) 技术，分别用于优化 QAOA 电路，从小规模问题实例中学习，然后在较大的问题实例中使用，结果表明与其他现成的优化器相比，这两种方法可以将优化度缺口减少多达 30.15 个因子。

Nov, 2019

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

Oct, 2023