Evolutionary quantum feature selection

要約

人工知能モデルのパフォーマンスを向上させるには、効果的な特徴選択が不可欠です。
これには、特定のメトリックを最適化する機能の組み合わせを特定することが含まれますが、問題の指数関数的な時間の複雑さのために、これは困難な作業です。
この研究では、量子回路進化 (QCE) アルゴリズムを採用した進化的量子特徴選択 (EQFS) と呼ばれる革新的なヒューリスティックを提示します。
私たちのアプローチは、浅い深さの回路を利用してまばらな確率分布を生成するQCEの独自の機能を利用しています。
私たちの計算実験は、EQFS が特徴数の 2 次スケーリングを使用して適切な特徴の組み合わせを識別できることを示しています。
EQFS のパフォーマンスを評価するために、特定の古典的モデルが特定のメトリックのコスト関数を評価する回数を、世代数の関数としてカウントしました。

要約(オリジナル)

Effective feature selection is essential for enhancing the performance of artificial intelligence models. It involves identifying feature combinations that optimize a given metric, but this is a challenging task due to the problem’s exponential time complexity. In this study, we present an innovative heuristic called Evolutionary Quantum Feature Selection (EQFS) that employs the Quantum Circuit Evolution (QCE) algorithm. Our approach harnesses the unique capabilities of QCE, which utilizes shallow depth circuits to generate sparse probability distributions. Our computational experiments demonstrate that EQFS can identify good feature combinations with quadratic scaling in the number of features. To evaluate EQFS’s performance, we counted the number of times a given classical model assesses the cost function for a specific metric, as a function of the number of generations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google