基于拉普拉斯算子量子图神经网络用于半监督学习
机器学习
2024-08-14 v2 量子物理
摘要
拉普拉斯学习方法是经典图基半监督学习中成熟的技术，但在量子领域的潜力尚未得到充分探索。本研究评估了基于拉普拉斯的量子半监督学习 (QSSL) 方法在四个基准数据集上的表现：Iris、Wine、Breast Cancer Wisconsin 和 Heart Disease。进一步分析了增加量子比特数后的影响，揭示增加量子比特数并不总是提升性能。量子算法与数据集匹配程度决定了额外量子比特的有效性。我们还考察了不同程度的纠缠层对纠缠熵和测试准确率的影响。拉普拉斯学习的性能高度依赖于纠缠层数，最优配置因数据集而异。通常，适度的纠缠在模型复杂度与泛化能力之间提供最佳平衡。这些观察凸显了针对不同数据集进行精确超参数调优在拉普拉斯学习方法中以实现最佳性能的必要性。
引用
@article{arxiv.2408.05498,
title = {A Laplacian-based Quantum Graph Neural Network for Semi-Supervised Learning},
author = {Hamed Gholipour and Farid Bozorgnia and Kailash Hambarde and Hamzeh Mohammadigheymasi and Javier Mancilla and Andre Sequeira and Joao Neves and Hugo Proença},
journal= {arXiv preprint arXiv:2408.05498},
year = {2024}
}