Learning Restricted Boltzmann Machines with greedy quantum search

要約

制限付きボルツマン マシン (RBM) は、可視ノードと潜在ノードを備えた確率的無向グラフィカル モデルで広く使用されており、統計と機械学習で重要な役割を果たしています。
RBM の構造学習のタスクには、表示されているノードからのサンプルを使用して基礎となるグラフを推測することが含まれます。
具体的には、各可視ノードの 2 ホップ近傍を学習することで、グラフ構造の推論が可能になります。
これまでの研究では、特定のクラスの RBM、つまり強磁性で局所的に一貫した RBM の構造学習問題に取り組んできました。
この論文では、範囲を量子コンピューティング領域に拡張し、この問題に対応する量子アルゴリズムを提案します。
私たちの研究は、提案された量子アルゴリズムが、これら 2 つのクラスの RBM の構造を学習するための古典的なアルゴリズムと比較して多項式の高速化をもたらすことを示しています。

要約(オリジナル)

Restricted Boltzmann Machines (RBMs) are widely used probabilistic undirected graphical models with visible and latent nodes, playing an important role in statistics and machine learning. The task of structure learning for RBMs involves inferring the underlying graph by using samples from the visible nodes. Specifically, learning the two-hop neighbors of each visible node allows for the inference of the graph structure. Prior research has addressed the structure learning problem for specific classes of RBMs, namely ferromagnetic and locally consistent RBMs. In this paper, we extend the scope to the quantum computing domain and propose corresponding quantum algorithms for this problem. Our study demonstrates that the proposed quantum algorithms yield a polynomial speedup compared to the classical algorithms for learning the structure of these two classes of RBMs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google