Semisupervised Anomaly Detection using Support Vector Regression with Quantum Kernel

要約

異常検知（AD）とは、データの残りの部分から何らかの形で逸脱しているオブザベーションやイベントを特定することである。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、このプロセスを自動化することに成功している。量子コンピュータの機械学習へ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が行われている。特に、近い将来のNISQデバイスに対応するQMLアルゴリズムの探索が本格化している。しかし、NISQデバイスでは、量子ビットのコヒーレンス時間が限られていること、量子ビット数が少ないこと、エラーレートが高いことなどの課題がある。量子カーネル推定に基づくカーネル法は、理論的保証、汎用性、NISQ制約との互換性を提供し、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いる。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、様々な教師付き学習タスクにおいて成功を収めている。しかし、ADの文脈では、半教師付き学習が大きな意味を持つが、この分野で発表された研究は限られている。本稿では、量子カーネルを用いたサポートベクトル回帰（SVR）の再構成損失に基づく、半教師付きADへのアプローチを紹介する。この新しいモデルは、変分量子カーネル及び量子カーネル1クラス分類器に代わるものであり、量子ベースラインとして量子オートエンコーダ、古典ベースラインとして放射状基底関数（RBF）カーネルを持つSVR及び古典オートエンコーダと比較する。10個の実世界のADデータセットと1個のおもちゃのデータセットでモデルを広範囲にベンチマークし、量子カーネルを用いた我々のSVRモデルは、RBFカーネルを用いたSVRや他の全てのモデルよりも性能が良く、全てのデータセットで最高の平均AUCを達成することが示される。また、11データセットのうち9データセットにおいて、QSVRは量子オートエンコーダを上回った。

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, DeepL