Efficient Parameter Optimisation for Quantum Kernel Alignment: A Sub-sampling Approach in Variational Training

要約

分類問題に対する量子カーネルを使用した量子機械学習は、成長している研究分野です。
最近、カーネルをパラメータ化する量子カーネル アライメント技術が開発され、カーネルをトレーニングして特定のデータセットに合わせて調整できるようになりました。
量子カーネル アライメントは有望な技術ですが、トレーニングの反復ごとに完全なカーネル行列を構築する必要があるため、かなりのトレーニング コストによって妨げられてきました。
この課題に対処し、効率とパフォーマンスのバランスを図る新しい方法を導入します。
各トレーニング ステップでカーネル行列のサブセットを使用するサブサンプリング トレーニング アプローチを提案します。これにより、トレーニングの全体的な計算コストが削減されます。
この研究では、合成データセットと現実世界の乳がんデータセットにサブサンプリング手法を適用し、分類精度を維持しながら量子カーネルのトレーニングに必要な回路数が大幅に削減されることを実証します。

要約(オリジナル)

Quantum machine learning with quantum kernels for classification problems is a growing area of research. Recently, quantum kernel alignment techniques that parameterise the kernel have been developed, allowing the kernel to be trained and therefore aligned with a specific dataset. While quantum kernel alignment is a promising technique, it has been hampered by considerable training costs because the full kernel matrix must be constructed at every training iteration. Addressing this challenge, we introduce a novel method that seeks to balance efficiency and performance. We present a sub-sampling training approach that uses a subset of the kernel matrix at each training step, thereby reducing the overall computational cost of the training. In this work, we apply the sub-sampling method to synthetic datasets and a real-world breast cancer dataset and demonstrate considerable reductions in the number of circuits required to train the quantum kernel while maintaining classification accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google