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

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

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

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

本研究介绍了 q-means 算法，一种用于聚类的新型量子算法，该算法具有与 $k$-means 类似的收敛性和精度保证，并且输出 $k$ 个集群中心的好近似值。此算法的运行时间呈多项式级别，优于经典算法，尤其适用于大型数据集。

Dec, 2018

量子机器学习研究了快速化和精确推断方法，通过对 MNIST 和 MNIST Fashion 数据集进行实验，证明了反向训练对于提高单个样本推断准确性的有效性。

Oct, 2023

该研究论文探讨了量子机器学习中基于内核的方法，使用神经切向核理论，Kerr 非线性的一阶微扰理论和非微扰数值模拟，以及基于电路 QED 的实验协议来展示在收敛时间和泛化误差方面能够实现一些‘量子增强’。

May, 2022

本文提出了一种基于量子门模型的方法，通过从激光脉冲开始推导 1 比特和 2 比特门，并实现了在三比特上的特征映射参数化序列。然后利用这个序列从数据集中经验性地计算核矩阵，并用于训练支持向量机。同时还展示了该过程可扩展至 N 比特，并利用中性原子设备在一般问题上估计量子核的方法。尽管数据集小且分离度低，但准确性较高。这是第一篇不仅提出了一种明确推导通用门集的算法，还通过量子门模型在中性原子设备上提出了估计量子核的方法的论文。

Jul, 2023

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

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