.png){kind=icon}
返回
Light-Cone Feature Selection for Quantum Machine Learning
.png){kind=icon}
OA
AI
DOI：10.1002/qute.202400647.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择在经典机器学习中对于提升训练模型的预测性能和可解释性起着关键作用。然而，对于量子机器学习（QML）任务，传统特征选择方法的实用性可能受到限制；该技术可能无法为经典数据任务的量子电路嵌入提供清晰解释，更重要的是，它不适用于量子数据任务。本文提出了一种面向QML的特征选择方法。该方法将量子模型的光锥（即子空间）视为特征，然后通过相应局部量子核的训练选择相关特征。其通用性通过四个不同应用的玩具任务进行了数值验证：(1) 经典输入的特征选择，(2) 数据嵌入的电路架构搜索，(3) 量子机器学习模型的压缩，(4) 量子数据子空间选择。所提出的框架为QML在实用任务中的应用奠定了基础。此外，该技术可用于实际测试QML任务是否真的需要量子特性，尽管这超出了本文的研究范围。
Keyword:
feature selection
light-cone feature selection
quantum kernel methods
quantum machine learning
期刊
A
IF:
4.3
论文数:
527
被引数:
3.2K
机构
引用论文
.png){kind=icon}
查看更多内容