Semisupervised Anomaly Detection using Support Vector Regression with Quantum Kernel

要約

異常検出 (AD) には、残りのデータから何らかの形で逸脱した観測またはイベントを特定することが含まれます。
機械学習技術は、大規模データの隠れたパターンや逸脱を検出することで、このプロセスの自動化に成功していることが示されています。
機械学習における量子コンピューティングの可能性は広く認識されており、適切な量子機械学習 (QML) アルゴリズムを開発するための広範な研究努力が行われています。
特に、短期的な NISQ デバイス向けの QML アルゴリズムの探索が本格化しています。
ただし、NISQ デバイスは、量子ビットのコヒーレンス時間が限られていること、量子ビットの数が少ないこと、およびエラー率が高いことにより、さらなる課題を引き起こしています。
量子カーネル推定に基づくカーネル手法は、NISQ デバイス上の QML への有望なアプローチとして浮上しており、理論的な保証、汎用性、NISQ 制約との互換性を提供します。
特に、量子カーネル推定を利用したサポート ベクター マシン (SVM) は、さまざまな教師あり学習タスクで成功を収めています。
ただし、AD の文脈では、半教師あり学習は大きな関連性を持っていますが、この分野で発表された研究はまだ限られています。
この論文では、量子カーネルによるサポート ベクトル回帰 (SVR) の再構成損失に基づく半教師あり AD へのアプローチを紹介します。
この新しいモデルは、変分量子および量子カーネル 1 クラス分類器の代替であり、量子ベースラインとしての量子オートエンコーダーと、古典的なベースラインとしての動径基底関数 (RBF) カーネルを備えた SVR および古典的なオートエンコーダーと比較されます。
。
モデルは、10 の実世界 AD データ セットと 1 つのおもちゃデータ セットで広範にベンチマークされており、量子カーネルを使用した SVR モデルは、RBF カーネルを使用した SVR や他のすべてのモデルよりも優れたパフォーマンスを発揮し、最高の平均 AUC を達成していることが示されています。
すべてのデータセット。
さらに、当社の QSVR は、11 個のデータセットのうち 9 個で量子オートエンコーダーよりも優れたパフォーマンスを発揮します。

要約(オリジナル)

Anomaly detection (AD) involves identifying observations or events that deviate in some way from the rest of the data. Machine learning techniques have shown success in automating this process by detecting hidden patterns and deviations in large-scale data. The potential of quantum computing for machine learning has been widely recognized, leading to extensive research efforts to develop suitable quantum machine learning (QML) algorithms. In particular, the search for QML algorithms for near-term NISQ devices is in full swing. However, NISQ devices pose additional challenges due to their limited qubit coherence times, low number of qubits, and high error rates. Kernel methods based on quantum kernel estimation have emerged as a promising approach to QML on NISQ devices, offering theoretical guarantees, versatility, and compatibility with NISQ constraints. Especially support vector machines (SVM) utilizing quantum kernel estimation have shown success in various supervised learning tasks. However, in the context of AD, semisupervised learning is of great relevance, and yet there is limited research published in this area. This paper introduces an approach to semisupervised AD based on the reconstruction loss of a support vector regression (SVR) with quantum kernel. This novel model is an alternative to the variational quantum and quantum kernel one-class classifiers, and is compared to a quantum autoencoder as quantum baseline and a SVR with radial-basis-function (RBF) kernel as well as a classical autoencoder as classical baselines. The models are benchmarked extensively on 10 real-world AD data sets and one toy data set, and it is shown that our SVR model with quantum kernel performs better than the SVR with RBF kernel as well as all other models, achieving highest mean AUC over all data sets. In addition, our QSVR outperforms the quantum autoencoder on 9 out of 11 data sets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google