Towards Efficient Quantum Anomaly Detection: One-Class SVMs using Variable Subsampling and Randomized Measurements

要約

量子コンピューティングは、さまざまな機械学習タスクを強化できる可能性があるため、カーネル計算とモデルの精度が大幅に向上します。
古典的に困難な表現能力で知られる量子カーネルと 1 クラスのサポート ベクター マシンを併用することで、古典的な対応物と比較して平均精度の顕著な向上が以前の研究で観察されました。
ただし、これらのカーネルの従来の計算では、データ サイズに関して 2 次の時間計算量が発生し、実際のアプリケーションでは課題が生じます。
これを軽減するために、ランダム化された測定を利用して量子カーネルを評価する方法と、可変サブサンプリング アンサンブル法の実装という 2 つの異なるアプローチを検討します。どちらも線形時間計算量をターゲットとしています。
実験結果では、これらの方法を採用すると、トレーニング時間と推論時間がそれぞれ最大 95\% と 25\% 大幅に短縮されることが実証されています。
不安定ではありますが、ランダム化された測定の平均精度は、古典的な Radial Basis Function カーネルの平均精度を明らかに上回っており、機械学習におけるスケーラブルで効率的な量子コンピューティング アプリケーションにおけるさらなる研究の有望な方向性を示唆しています。

要約(オリジナル)

Quantum computing, with its potential to enhance various machine learning tasks, allows significant advancements in kernel calculation and model precision. Utilizing the one-class Support Vector Machine alongside a quantum kernel, known for its classically challenging representational capacity, notable improvements in average precision compared to classical counterparts were observed in previous studies. Conventional calculations of these kernels, however, present a quadratic time complexity concerning data size, posing challenges in practical applications. To mitigate this, we explore two distinct approaches: utilizing randomized measurements to evaluate the quantum kernel and implementing the variable subsampling ensemble method, both targeting linear time complexity. Experimental results demonstrate a substantial reduction in training and inference times by up to 95\% and 25\% respectively, employing these methods. Although unstable, the average precision of randomized measurements discernibly surpasses that of the classical Radial Basis Function kernel, suggesting a promising direction for further research in scalable, efficient quantum computing applications in machine learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google