Quantum Data Encoding: A Comparative Analysis of Classical-to-Quantum Mapping Techniques and Their Impact on Machine Learning Accuracy

要約

この研究では、量子データ埋め込み技術の古典的な機械学習 (ML) アルゴリズムへの統合を調査し、モデルの範囲全体にわたるパフォーマンスの向上と計算上の影響を評価することを目的としています。
私たちは、古典データをエンコードするための基底エンコード、角度エンコードから振幅エンコードに至るまで、さまざまな古典から量子へのマッピング手法を探索し、ロジスティック回帰、K 最近傍法、サポート ベクター マシン、および
Random Forest、LightGBM、AdaBoost、CatBoost などのアンサンブル メソッド。
私たちの調査結果は、量子データの埋め込みが分類精度と F1 スコアの向上に寄与し、特に強化された特徴表現から本質的に恩恵を受けるモデルで顕著であることを明らかにしました。
実行時間に対する微妙な影響が観察され、複雑度の低いモデルでは中程度の増加が見られ、より計算量の多いモデルでは明らかな変化が見られました。
特に、アンサンブル手法は、パフォーマンスの向上と計算オーバーヘッドの間の好ましいバランスを示しました。
この研究は、古典的な ML モデルの強化における量子データ埋め込みの可能性を強調し、パフォーマンスの向上と計算コストを比較検討することの重要性を強調しています。
将来の研究の方向性には、量子符号化プロセスを改良して計算効率を最適化し、現実世界のアプリケーションのスケーラビリティを探ることが含まれる可能性があります。
私たちの研究は、量子コンピューティングと古典的な機械学習の交差点における知識体系の増大に貢献し、量子にインスピレーションを得た技術の利点を実際のシナリオで活用しようとしている研究者や実践者に洞察を提供します。

要約(オリジナル)

This research explores the integration of quantum data embedding techniques into classical machine learning (ML) algorithms, aiming to assess the performance enhancements and computational implications across a spectrum of models. We explore various classical-to-quantum mapping methods, ranging from basis encoding, angle encoding to amplitude encoding for encoding classical data, we conducted an extensive empirical study encompassing popular ML algorithms, including Logistic Regression, K-Nearest Neighbors, Support Vector Machines and ensemble methods like Random Forest, LightGBM, AdaBoost, and CatBoost. Our findings reveal that quantum data embedding contributes to improved classification accuracy and F1 scores, particularly notable in models that inherently benefit from enhanced feature representation. We observed nuanced effects on running time, with low-complexity models exhibiting moderate increases and more computationally intensive models experiencing discernible changes. Notably, ensemble methods demonstrated a favorable balance between performance gains and computational overhead. This study underscores the potential of quantum data embedding in enhancing classical ML models and emphasizes the importance of weighing performance improvements against computational costs. Future research directions may involve refining quantum encoding processes to optimize computational efficiency and exploring scalability for real-world applications. Our work contributes to the growing body of knowledge at the intersection of quantum computing and classical machine learning, offering insights for researchers and practitioners seeking to harness the advantages of quantum-inspired techniques in practical scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google