基于量子退火的机器学习特征选择
量子物理
2024-12-02 v1
摘要
特征选择对于增强机器学习(ML)模型的准确性和效率至关重要。本工作探讨了将量子退火用于ML管道中特征选择过程的实用性，用于最大化底层特征空间的互信息(MI)或条件互信息(CMI)。在大数据集上，计算最大化MI或CMI的最优特征集合在经典计算机上即使带有近似方法也难以实现。本研究采用互信息二次无约束二进制优化(MIQUBO)表述，使其可在量子退火器上求解。我们展示了该方法能够识别最大化MI或CMI的优势特征组合。为展示其实际应用性，我们求解MIQUBO问题以预测 used excavators(二手挖掘机)的价格。我们的结果表明，对于MI浓度较小的数据集，MIQUBO方法相对于仅基于MI的方法具有显著优势，这取决于所选特征空间的维数。
引用
@article{arxiv.2411.19609,
title = {Quantum Annealing based Feature Selection in Machine Learning},
author = {Daniel Pranjic and Bharadwaj Chowdary Mummaneni and Christian Tutschku},
journal= {arXiv preprint arXiv:2411.19609},
year = {2024}
}
备注
9 pages, 5 figures