权重离散化对基于 QUBO 的 SVM 训练影响
机器学习
2025-10-31 v1
摘要
支持向量机 (SVM) 的训练可以形式化为 QUBO 问题，使其能够利用量子退火进行模型优化。本文研究了双重权重离散化水平（与量子比特数相关）对不同数据集上预测性能的影响。我们将 QUBO-based SVM 训练与经典 LIBSVM 求解器进行比较，发现即使是低精度 QUBO 编码（例如每个参数 1 位）也能实现具有竞争力，甚至优于准确率。虽然增加的位深能够实现更大的正则化参数，但并不总是提高分类效果。我们的发现表明，选择合适的支持向量可能比其精确加权更为重要。虽然当前硬件限制了可求解 QUBO 的规模，但我们的结果凸显了随着量子设备规模化的潜力，量子退火在高效 SVM 训练中的应用前景。
引用
@article{arxiv.2510.26323,
title = {On the Impact of Weight Discretization in QUBO-Based SVM Training},
author = {Sascha Mücke},
journal= {arXiv preprint arXiv:2510.26323},
year = {2025}
}
备注
Presented at the 7th DSO Workshop at ECML PKDD 2025