利用量子推土机距离学习量子数据
量子物理
2022-07-07 v2 人工智能
机器学习
机器学习
摘要
量化学习算法输出与其目标之间的距离在机器学习中是一项基本任务。然而，在量子情形下，常用距离度量的损失景观常产生不良结果，如糟糕的局部极小值和指数衰减的梯度。为克服这些障碍，我们在此考虑最近提出的量子推土机（EM）或 Wasserstein-1 距离作为经典 EM 距离的量子类比。我们证明量子 EM 距离具有其他常用量子距离度量所不具备的独特性质，这些性质使量子学习更加稳定高效。我们提出一种量子 Wasserstein 生成对抗网络（qWGAN），其利用量子 EM 距离，为量子数据上的学习提供了有效手段。我们给出了若干示例，其中我们的 qWGAN 仅以关于量子比特数多项式的资源即可学习多样化的量子数据集合。
引用
@article{arxiv.2101.03037,
title = {Learning quantum data with the quantum Earth Mover's distance},
author = {Bobak Toussi Kiani and Giacomo De Palma and Milad Marvian and Zi-Wen Liu and Seth Lloyd},
journal= {arXiv preprint arXiv:2101.03037},
year = {2022}
}