.png){kind=icon}
返回
Quantum kernel methods under scrutiny: a benchmarking study
.png){kind=icon}
OA
AI
DOI：10.1007/s42484-025-00273-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自核理论进入量子机器学习领域以来，量子核方法（QKMs）在探索有前景的应用和提供引人入胜的研究见解方面获得了越来越多的关注。对这些方法的基准测试对于获得稳健的见解和理解其实际效用至关重要。在本工作中，我们提出了一项全面的大规模研究，考察基于保真度量子核（FQKs）和投影量子核（PQKs）的QKMs，涵盖了多种设计选择。我们的调查涵盖了五个数据集家族的64个数据集的分类和回归任务，系统地比较了使用FQKs和PQKs的量子支持向量机和核岭回归。这导致了超过20,000个模型，这些模型通过最先进的超参数搜索进行训练和优化，以确保稳健和全面的见解。我们深入探讨了超参数对模型性能得分的重要性，并通过严格的关联分析支持我们的发现。此外，我们提供了深入的分析，以解决PQKs的设计自由度问题，并探索负责学习的底层原理。我们的目标并非识别特定任务的最佳性能模型，而是揭示导致有效QKMs的机制并揭示普遍模式。
Keyword:
Quantum computing
Quantum machine learning
Quantum kernel methods
Fidelity quantum kernels
Projected quantum kernels
Benchmarking
Hyperparameter optimization
期刊
Q
IF:
4.4
论文数:
439
被引数:
796
.png){kind=icon}
查看更多内容