.png){kind=icon}
返回
IQGO: Iterative Quantum Gate Optimiser for Quantum Data Embedding
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2024.3520491.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子核方法和变分量子分类器 (vqc) 最近在机器学习 (ML) 领域引起了极大的兴趣。与经典的同类产品相比，它们有可能在使用较小的数据集和较少的参数的同时实现卓越的概括。但是，利用特征图嵌入的内核方法通常会遇到过拟合的问题，这会损害其在看不见的数据上的泛化性能。利用参数化量子电路 (pqc) 对输入数据与输出之间的关系进行建模的vqc容易受到贫瘠高原 (BP) 问题的影响。为了解决这些挑战，我们引入了一种自适应量子嵌入优化算法，即迭代量子门优化器 (IQGO)，该算法适用于表格数据分类的任务。IQGO采用贪婪搜索算法来优化量子嵌入。无噪声模拟的经验证据表明，它解决了过拟合和BP问题。我们展示了IQGO在量子内核的21个量子位和VQC的4个量子位的模拟上的功效。使用小型表格数据集，我们将我们的方法与当代最先进的经典算法进行比较。这些有希望的结果表明，量子算法在数据分类问题上可能表现良好。我们测试了5个二进制分类问题，并表明在其中的3个问题中，IQGO算法在泛化方面比现有的最新算法具有竞争力或更好的性能。
Keyword:
Logic gates
Qubit
Kernel
Circuits
Classification algorithms
Vectors
Encoding
Quantum state
Quantum circuit
Overfitting
Quantum embedding
quantum kernel methods
variational quantum classifiers
overfitting
barren plateau
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
暂无机构信息
引用论文
DeepQPrep: Neural Network Augmented Search for Quantum State PreparationDeepQPrep: 用于量子态制备的神经网络增强搜索.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏Universal expressiveness of variational quantum classifiers and quantum kernels for support vector machinesNATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Generalization in quantum machine learning from few training data基于少量训练数据的量子机器学习泛化NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容