Local Binary and Multiclass SVMs Trained on a Quantum Annealer

要約

サポート ベクター マシン (SVM) は、分類タスクと回帰タスクの両方の定式化を備えた (リモート センシングなどで) 広く使用されている機械学習モデルです。
ここ数年、実用的な量子アニーラーの出現により、量子トレーニングと古典的な実行を特徴とするハイブリッド SVM モデルが導入されました。
これらのモデルは、従来のモデルと同等のパフォーマンスを実証しました。
ただし、現在の量子アニーラーの接続には制限があるため、トレーニング セットのサイズは制限されます。
したがって、大規模なデータセット (地球観測に関連するデータセットなど) を活用するには、戦略が必要です。
古典的な領域では、ローカル SVM、つまり k 最近傍モデルによって選択されたデータ サンプルでトレーニングされた SVM がすでに成功していることが証明されています。
ここでは、量子トレーニングされた SVM モデルのローカル アプリケーションが提案され、経験的に評価されます。
特に、このアプローチにより、量子トレーニングされたモデルのパフォーマンスを向上させながら、トレーニング セット サイズの制約を克服することができます。
実際には、効率的なローカル SVM 用に設計された FaLK-SVM メソッドが、バイナリおよびマルチクラス分類用の量子トレーニング済み SVM モデルと組み合わされています。
さらに、比較のために、FaLK-SVM は、古典的なシングルステップ マルチクラス SVM モデル (CS SVM) と初めてインターフェイスされました。
実証的評価に関しては、D-Wave の量子アニーラーとリモート センシング領域から取得された実世界のデータセットが使用されました。
結果は、提案されたアプローチの有効性とスケーラビリティだけでなく、現実世界の大規模シナリオにおける実際の適用可能性も示しました。

要約(オリジナル)

Support vector machines (SVMs) are widely used machine learning models (e.g., in remote sensing), with formulations for both classification and regression tasks. In the last years, with the advent of working quantum annealers, hybrid SVM models characterised by quantum training and classical execution have been introduced. These models have demonstrated comparable performance to their classical counterparts. However, they are limited in the training set size due to the restricted connectivity of the current quantum annealers. Hence, to take advantage of large datasets (like those related to Earth observation), a strategy is required. In the classical domain, local SVMs, namely, SVMs trained on the data samples selected by a k-nearest neighbors model, have already proven successful. Here, the local application of quantum-trained SVM models is proposed and empirically assessed. In particular, this approach allows overcoming the constraints on the training set size of the quantum-trained models while enhancing their performance. In practice, the FaLK-SVM method, designed for efficient local SVMs, has been combined with quantum-trained SVM models for binary and multiclass classification. In addition, for comparison, FaLK-SVM has been interfaced for the first time with a classical single-step multiclass SVM model (CS SVM). Concerning the empirical evaluation, D-Wave’s quantum annealers and real-world datasets taken from the remote sensing domain have been employed. The results have shown the effectiveness and scalability of the proposed approach, but also its practical applicability in a real-world large-scale scenario.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google