基于量子神经网络的参数化 t-随机邻域嵌入
量子物理
2022-02-10 v1 机器学习
摘要
t-随机邻域嵌入（t-SNE）是经典机器学习中的一种非参数数据可视化方法。它将数据从高维空间映射到低维空间，特别是二维平面，同时保持周边点之间的关系或相似度。在 t-SNE 中，低维数据的初始位置随机确定，并通过移动低维数据以最小化代价函数来实现可视化。其称为参数化 t-SNE 的变体使用神经网络进行此映射。本文中，我们提出将量子神经网络用于参数化 t-SNE，以将高维量子数据特征反映到低维数据上。我们在计算高维数据相似度时使用基于保真度的度量替代欧氏距离。我们对经典（鸢尾花数据集）与量子（含时哈密顿量动力学）数据进行了分类任务可视化。由于该方法允许我们在保持相似度的同时用低维量子数据集表示高维希尔伯特空间中的量子数据集，所提方法也可用于压缩量子数据以进一步用于量子机器学习。
引用
@article{arxiv.2202.04238,
title = {Parametric t-Stochastic Neighbor Embedding With Quantum Neural Network},
author = {Yoshiaki Kawase and Kosuke Mitarai and Keisuke Fujii},
journal= {arXiv preprint arXiv:2202.04238},
year = {2022}
}
备注
9 pages, 7 figures