May, 2024

量子机器学习中的特征重要性与可解释性

PDF
TL;DR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。
发现论文，激发创造
  • 量子辅助模拟：在量子计算领域设计机器学习模型的框架

    利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高，本文对量子计算、机器学习和量子机器学习算法进行了探讨，并提供了一个简化的步骤，可以帮助读者建立量子机器学习算法的模拟。此外，通过在数据集上利用机器学习和量子机器学习方法进行模拟，利用量子模拟器对它们的性能进行了比较。

    Nov, 2023

  • 量子计算专家的机器学习

    量子机器学习是量子计算的一个有潜力的早期使用案例，该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览，其包括从理论研究到数值模拟再到概念验证等多个方面的进展。

    Apr, 2024

  • 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

  • 量子机器学习从一般计算优势中的优势

    证明了量子机器学习在加速监督学习任务方面具有计算优势，通过构建广泛的监督学习任务，并使用通用量子计算方法，证明了这一学习任务对于任何可能的多项式时间经典学习方法的难度，并提供了实验中展示这一学习任务的经典数据准备协议。

    Dec, 2023

  • 强化信用评分系统的量子增强机器学习

    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。

    Mar, 2024

  • 基于量子支持向量机的新型特征选择方法

    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。

    Nov, 2023

  • 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

  • 量子机器学习概述：当前趋势、挑战、机遇和未来方向

    该研究论文综述了量子计算在机器学习中的应用，包括量子机器学习算法、量子数据集、硬件技术、软件工具、模拟器和应用程序，为读者提供了跳跃到量子机器学习领域的最新技术的有价值的信息和资源。

    Oct, 2023

  • 特征工程能帮助量子机器学习进行恶意软件检测吗？

    研究了使用量子机器学习和特征选择策略来提高恶意软件检测的精确度和减少训练时间的混合框架，并给出了初步结果。

    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