数据降维方法对量子机器学习模型效果的影响

数据降维技术常被用于量子机器学习模型的实现，以解决两个重大问题：尼斯沃克（NISQ）量子设备的限制，这些设备以噪声和有限量子比特数为特征；以及在经典设备上模拟大量量子比特的挑战。它还引发了可扩展性问题，因为数据降维方法难以适应大数据集。在本文中，我们分析了数据降维方法如何影响不同的 QML 模型。我们在多个生成数据集、量子机器算法、量子数据编码方法和数据降维方法上进行实验。对所有这些模型都采用诸如准确率、精确率、召回率和 F1 分数的性能指标进行评估。我们的发现导致我们得出结论，使用数据降维方法会导致偏斜的性能指标值，从而错误地估计量子机器学习模型的实际性能。还有几种因素，加上数据降维方法，会加剧这一问题，例如数据集的特征、从经典到量子的信息嵌入方法、特征降低的百分比、与量子模型相关的经典组件以及量子机器学习模型的结构。我们一致观察到，在使用数据降维和不使用数据降维的情况下，这些模型的准确率范围相差 14% 到 48%。除此之外，我们的观察显示，某些数据降维方法对于特定的数据嵌入方法和 ansatz 构造表现更好。