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
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
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
本文旨在探讨量子计算与机器学习中内核方法之间的相关性,并阐述如何利用通过编码输入数据来创建非线性特征空间的理论基础,进而使用量子计算机进行分析。作者进一步提出使用量子内核估计,并将其输入到经典的内核方法,以及使用变分量子电路作为线性模型来分类数据的两种方法。
Mar, 2018
基于量子核方法和支持向量机的混合量子分类器容易受到对抗攻击,但基于数据增强的简单防御策略可以使分类器对新攻击具有鲁棒性,这在安全关键学习问题和减轻某些形式的量子噪声的影响中具有应用。
Apr, 2024
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
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
应用 Shor 算法进行量子支持向量机的指数级加速并进一步利用 Grover 算法加速支持向量机的核函数,结合量子计算与经典方法提高分类器性能。
Sep, 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
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