Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum Computing

要約

断熱量子コンピューティング (AQC) は、離散的で多くの場合 NP 困難な最適化問題に対する有望な量子コンピューティング アプローチです。
現在の AQC を使用すると、研究対象の問題を実装できるようになり、多くの機械学習やコンピューター ビジョン タスクのための量子表現の開発が促進されました。
ノイズの多い AQC からの複数の測定が必要であるにもかかわらず、現在のアプローチでは最良の測定のみが利用され、残りの測定に含まれる情報は破棄されます。
この研究では、確率的バランスの取れた K 平均法クラスタリングにこの情報を使用する可能性を探ります。
最適でない解を破棄する代わりに、追加の計算コストをほとんどかけずに、それらを使用して校正された事後確率を計算することを提案します。
これにより、曖昧なソリューションとデータ ポイントを特定できるようになり、合成データと実データの D-Wave AQC で実証できます。

要約(オリジナル)

Adiabatic quantum computing (AQC) is a promising quantum computing approach for discrete and often NP-hard optimization problems. Current AQCs allow to implement problems of research interest, which has sparked the development of quantum representations for many machine learning and computer vision tasks. Despite requiring multiple measurements from the noisy AQC, current approaches only utilize the best measurement, discarding information contained in the remaining ones. In this work, we explore the potential of using this information for probabilistic balanced k-means clustering. Instead of discarding non-optimal solutions, we propose to use them to compute calibrated posterior probabilities with little additional compute cost. This allows us to identify ambiguous solutions and data points, which we demonstrate on a D-Wave AQC on synthetic and real data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google