Enhancing Quantum Support Vector Machines through Variational Kernel Training

要約

タイトル: 「系統的カーネルトレーニングを通じた量子サポートベクターマシンの強化」

要約: 量子機械学習 (QML) は最近急速な進歩を遂げており、量子サポートベクターマシン (QSVM) が有望なモデルとして現れています。この論文では、既存の二つのQSVM方法、つまり量子カーネルSVM (QK-SVM) と量子変分SVM (QV-SVM) に焦点を当てます。両者とも印象的な結果を示しているが、QK-SVMとQV-SVMの強みを統合して精度を向上させる新しいアプローチを提案する。提案されたモデル、量子変分カーネルSVM (QVK-SVM) は、量子カーネルと量子変分アルゴリズムを活用する。Irisデータセットで広範な実験を行い、QVK-SVMが精度、損失、混乱行列指標のすべてで既存のモデルを上回ることを確認した。これらの結果から、QVK-SVMはQML応用において信頼性と変革的ツールとして大きな潜在力を持っており、今後のQML研究の採用を推奨する。

要約(オリジナル)

Quantum machine learning (QML) has witnessed immense progress recently, with quantum support vector machines (QSVMs) emerging as a promising model. This paper focuses on the two existing QSVM methods: quantum kernel SVM (QK-SVM) and quantum variational SVM (QV-SVM). While both have yielded impressive results, we present a novel approach that synergizes the strengths of QK-SVM and QV-SVM to enhance accuracy. Our proposed model, quantum variational kernel SVM (QVK-SVM), leverages the quantum kernel and quantum variational algorithm. We conducted extensive experiments on the Iris dataset and observed that QVK-SVM outperforms both existing models in terms of accuracy, loss, and confusion matrix indicators. Our results demonstrate that QVK-SVM holds tremendous potential as a reliable and transformative tool for QML applications. Hence, we recommend its adoption in future QML research endeavors.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI