混合量子集成分类器的高效组合策略
量子物理
2022-10-14 v1 机器学习
摘要
量子机器学习相较经典机器学习已在多方面展现出优势。机器学习中一个难题是如何从有限特征空间中学习具有高通鲁棒性与强泛化能力的模型。集成学习 (Ensemble Learning, EL) 将多个模型作为基学习器组合，可有效提升最终模型的精度、泛化能力与鲁棒性。EL 的关键在于两方面：基学习器的性能与组合策略的选择。近来，量子集成学习 (Quantum EL, QEL) 已有研究。然而，现有 QEL 中的组合策略在考量基学习器间精度与方差方面尚不充分。本文提出一种结合量子与经典优势的混合 EL 框架。更重要的是，我们提出了一种高效组合策略以提升该框架中分类的精度。我们利用 MNIST 数据集验证了框架与策略的可行性和高效性。仿真结果表明，采用我们所提组合策略的混合 EL 框架不仅比未集成的单一模型具有更高精度与更低方差，且在多数情况下优于多数投票与加权投票策略。
引用
@article{arxiv.2210.06785,
title = {An efficient combination strategy for hybird quantum ensemble classifier},
author = {Xiao-Ying Zhang and Ming-Ming Wang},
journal= {arXiv preprint arXiv:2210.06785},
year = {2022}
}