Mar, 2024

强化信用评分系统的量子增强机器学习

PDF
TL;DR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。
quantum kernelsinterpretabilityquantum feature spacessystemic quantum score (sqs)finance sector
发现论文，激发创造
  • 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

  • 量子机器学习优化资金预测

    利用量子算法的机器学习方法可以用于提高金融预测的准确性，包括使用 DPP 提高 Ramdon Forest 模型的精度和设计量子神经网络架构降低经典性能所需的参数数量实现信用风险评估。

    May, 2023

  • 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

  • 量子机器学习中的数据力量

    探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处，提出了一种用于评估量子学习任务潜在优势的方法，并提出了一种通过量子速度提高学习效率的量子机器学习模型。

    Nov, 2020

  • 监督式机器学习的严谨和鲁棒量子加速

    本文提出一种量子支持向量机分类器模型，实现有监督分类并取得了明显的量子加速，要求仅具备经典数据访问能力。在构造的数据集中，基于普遍认为的离散对数问题的困难性假设，该量子分类器实现的分类效果均优于无法逆多项式地超越瞎猜的经典学习器。这个模型可以通过一个容错的量子计算机来估算内积核函数，并且将数据映射为一个量子特征空间。此外，该分类器对由有限采样误差产生的内积核函数的加性误差具有一定的鲁棒性。

    Oct, 2020

  • 金融欺诈检测：量子机器学习模型的比较研究

    对四个量子机器学习模型在金融欺诈检测中进行了比较研究，证明量子支持向量分类器模型在欺诈和非欺诈类别上取得了最高性能，F1 分数达到了 0.98。其他模型如变分量子分类器、估计量子神经网络（QNN）和采样器 QNN 展示了有前景的结果，推动了量子机器学习在金融应用中的潜力。虽然它们存在一定的限制，但所得到的见解为未来的改进和优化策略铺平了道路。然而，现存的挑战包括需求更高效的量子算法和更大更复杂的数据集。本文提供了克服当前限制的解决方案，并为量子机器学习在欺诈检测领域做出了新的贡献，对其未来发展具有重要意义。

    Aug, 2023

  • 混合量子计算机上的无监督机器学习

    利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题，并展示出在噪声环境下稳健的表现和经典优化方法的适用性。

    Dec, 2017

  • 量子机器学习

    本文讨论了量子计算机在机器学习中的应用，介绍了量子机器学习领域的研究方向、挑战和最新进展。

    Nov, 2016

  • 经典之上？量子机器学习模型基准测试的微妙之道

    通过经典模拟进行基准测试是在没有无噪声硬件之前评估量子机器学习想法的主要方法之一。然而，实验设计的巨大影响、当今可行范围内的小规模以及受量子技术商业化影响的叙事使得难以获得稳健的见解。为了促进更好的决策，我们开发了一个基于 PennyLane 软件框架的开源包，并使用它对 12 个流行的量子机器学习模型在 6 个二分类任务上进行了大规模研究，这些任务用于创建 160 个单独的数据集。我们发现整体而言，开箱即用的经典机器学习模型优于量子分类器。此外，将一个量子模型中的纠缠去除往往会导致同样好或更好的性能，这表明在这里考虑的小学习任务中，“量子性” 可能不是关键因素。我们的基准测试还开启了超越简单排行榜比较的研究，并从我们的结果中提出了五个与量子模型设计相关的重要问题。

    Mar, 2024