面向全量子分类的增量式数据上传

机器学习模型中的数据表示强烈影响其性能。对于在含噪声中等规模量子（NISQ）设备上实现的量子机器学习模型，这一点变得更为重要。在不丢失任何信息的情况下将高维数据编码到 NISQ 设备的量子电路中并非易事，并带来诸多挑战。虽然简单编码方案（如用单量子比特旋转门编码高维数据）常导致电路内的信息丢失，但具有纠缠和数据重上传的复杂编码方案会导致编码门数量增加。这并不适合 NISQ 设备。本工作提出“增量式数据上传”，一种应对这些挑战的高维数据新型编码模式。我们将给定数据点的特征向量的编码门分散于量子电路中，并在其间插入参数化门。该编码模式以最小的预处理需求实现了量子电路中更好的数据表示。我们在使用 MNIST 和 Fashion-MNIST 数据集的分类任务上展示了我们编码模式的效率，并通过分类准确率和模型的有效维度比较了不同编码方法。