输入确定，输出确定：用于量子机器学习的反向变分量子电路
机器学习
2023-10-17 v1 量子物理
摘要
量子机器学习（QML）领域近年兴起，期望发掘新的机器学习协议或为经典协议带来指数级加速。除消失梯度与高效编码方法等问题外，此类加速难以寻觅，因为量子计算机的采样特性要么促使经典模拟计算，要么需在量子计算机上多次运行以在梯度计算中使用近似期望值。本文主张将高单样本精度设为首要目标。我们讨论了可实现高精度与高精密度样本推断的统计理论，并为此提出一种反向训练方法。我们通过评估若干有效变分量子电路（VQCs）——以标准方向与反向方向分别在 MNIST 与 MNIST Fashion 数据集的随机二值子集上训练——展示了该训练方法的有效性，我们的方法使单样本推断精度提升 。
引用
@article{arxiv.2310.10629,
title = {Certainty In, Certainty Out: REVQCs for Quantum Machine Learning},
author = {Hannah Helgesen and Michael Felsberg and Jan-Åke Larsson},
journal= {arXiv preprint arXiv:2310.10629},
year = {2023}
}
备注
9 pages, 5 figures