合成少数类过采样技术 (SMOTE) 的量子方法
量子物理
2025-03-31 v3 人工智能
机器学习
摘要
本文提出了 Quantum-SMOTE 方法，这是一种利用量子计算技术解决机器学习数据集中普遍存在的类别不平衡问题的新颖方案。Quantum-SMOTE 受合成少数类过采样技术（SMOTE）启发，利用交换测试和量子旋转等量子过程生成合成数据点。该过程不同于传统 SMOTE 算法使用 K 近邻（KNN）和欧几里得距离的做法，使得合成实例能够从少数类数据点生成，而无需依赖邻居邻近度。该算法通过引入旋转角度、少数类百分比和分裂因子等超参数，宣称对合成数据生成过程具有更大的控制权，从而允许针对特定数据集需求进行定制。由于使用了紧凑的交换测试，该算法能够容纳大量特征。此外，该方法在 Telecom Churn 公共数据集上进行了测试，并与两种主要的分类算法（随机森林和逻辑回归）一起评估，以确定其在不同比例合成数据下的影响。
引用
@article{arxiv.2402.17398,
title = {A Quantum Approach to Synthetic Minority Oversampling Technique (SMOTE)},
author = {Nishikanta Mohanty and Bikash K. Behera and Christopher Ferrie and Pravat Dash},
journal= {arXiv preprint arXiv:2402.17398},
year = {2025}
}
备注
42 Pages, 23 Figures, 2 Tables