Enhancing Quantum Support Vector Machines through Variational Kernel Training

要約

タイトル：変分カーネルトレーニングによる量子サポートベクターマシンの拡張

要約：
– 量子機械学習(QML)は近年大きな進歩を遂げ、量子サポートベクターマシン(QSVM)が有望なモデルとして注目を集めています。
– この論文では、既存の2つのQSVM方式に焦点を当て、それらの強みを統合して精度を向上させる新しいアプローチを提案します。
– 提案モデルである量子変分カーネルSVM(QVK-SVM)は、量子カーネルと量子変分アルゴリズムを活用します。
– アイリスデータセットにおいて、QVK-SVMは精度、損失、混同行列指標のすべてで、既存の2つのモデルを上回る結果を示しました。
– これらの結果から、QVK-SVMはQMLアプリケーションにおいて信頼性が高く、変革的なツールとして大きな可能性を秘めていると言えます。
– そのため、将来のQML研究にはQVK-SVMの採用を推奨します。

要約(オリジナル)

Quantum machine learning (QML) has witnessed immense progress recently, with quantum support vector machines (QSVMs) emerging as a promising model. This paper focuses on the two existing QSVM methods: quantum kernel SVM (QK-SVM) and quantum variational SVM (QV-SVM). While both have yielded impressive results, we present a novel approach that synergizes the strengths of QK-SVM and QV-SVM to enhance accuracy. Our proposed model, quantum variational kernel SVM (QVK-SVM), leverages the quantum kernel and quantum variational algorithm. We conducted extensive experiments on the Iris dataset and observed that QVK-SVM outperforms both existing models in terms of accuracy, loss, and confusion matrix indicators. Our results demonstrate that QVK-SVM holds tremendous potential as a reliable and transformative tool for QML applications. Hence, we recommend its adoption in future QML research endeavors.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI