量子神经网络中 dropout 的通用方法
量子物理
2024-05-10 v1
摘要
在经典机器学习中，“过拟合”是指给定模型对训练数据学习得过好，从而在未见数据上表现不佳的现象。机器学习中常用的一种技术称为“dropout”，其防止计算单元变得过于专门化，从而降低过拟合风险。随着量子神经网络作为学习模型的出现，过拟合可能很快成为问题，原因在于量子电路深度不断增加以及为赋予计算非线性而采用的经典特征多重嵌入。本文提出一种在量子神经网络模型中应用 dropout 技术的通用方法，定义并分析不同的量子 dropout 策略以避免过拟合并实现高度泛化。我们的研究使人得以展望量子 dropout 在促成泛化方面的能力，基于过参数化理论就确定给定模型的最大 dropout 概率提供了有用指导。研究还强调量子 dropout 不影响量子神经网络模型的特征，如可表达性与纠缠。所有这些结论均得到大量数值模拟的支持，并可为基于前沿量子神经网络高效采用深度量子机器学习模型铺平道路。
引用
@article{arxiv.2310.04120,
title = {A General Approach to Dropout in Quantum Neural Networks},
author = {Francesco Scala and Andrea Ceschini and Massimo Panella and Dario Gerace},
journal= {arXiv preprint arXiv:2310.04120},
year = {2024}
}