Efficient Quantum One-Class Support Vector Machines for Anomaly Detection Using Randomized Measurements and Variable Subsampling

要約

量子 1 クラス サポート ベクター マシンは、半教師あり異常検出に量子カーネル手法の利点を活用します。
ただし、データ サイズに対する二次時間計算量が大きいため、大規模なデータセットを扱う場合には課題が生じます。
最近の研究では、この問題に対処する 2 つの独立した方法として、量子ランダム化測定カーネルと変数サブサンプリングが提案されました。
前者はより高い平均精度を達成しますが、分散の影響を受けます。一方、後者はデータ サイズに対して線形の複雑さを実現し、分散は小さくなります。
現在の研究では、これら 2 つの方法と回転特徴バギングを組み合わせて、データ サイズと特徴の数の両方に対して線形の時間計算量を達成することに焦点を当てています。
不安定性にもかかわらず、結果として得られるモデルはかなり高いパフォーマンスを示し、トレーニングとテストにかかる時間が短縮されます。

要約(オリジナル)

Quantum one-class support vector machines leverage the advantage of quantum kernel methods for semi-supervised anomaly detection. However, their quadratic time complexity with respect to data size poses challenges when dealing with large datasets. In recent work, quantum randomized measurements kernels and variable subsampling were proposed, as two independent methods to address this problem. The former achieves higher average precision, but suffers from variance, while the latter achieves linear complexity to data size and has lower variance. The current work focuses instead on combining these two methods, along with rotated feature bagging, to achieve linear time complexity both to data size and to number of features. Despite their instability, the resulting models exhibit considerably higher performance and faster training and testing times.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google