用于应激检测中自动特征选择的量子退火方法
量子物理
2021-06-10 v1 机器学习
摘要
我们提出一种利用量子退火(QA)从生理信号池中进行自动特征子集选择的新方法。作为一个案例研究,我们将考察基于QA的特征选择技术在为应激检测选择最优特征子集方面的有效性。特征提取自四个信号源:足部EDA、手部EDA、ECG和呼吸。所提方法将生理信号中提取的特征变量嵌入到二元二次模型中。特征变量的偏置通过使用特征变量与目标变量之间的Pearson相关系数计算。连接两个特征变量的边的权重通过使用二元二次模型中两个特征变量之间的Pearson相关系数计算。随后,使用D-Wave的团采样器从二元二次模型中采样团。然后对底层解进行重采样以获得多个良好解,并返回能量最低的团作为最优解。所提方法与常用的应激检测特征选择技术进行比较。结果表明,基于QA的特征子集选择性能与经典技术相当。然而,在有限训练数据等数据不确定性条件下,量子退火选择最优特征的性能不受影响,而经典特征选择技术的性能则出现显著下降。初步结果显示了量子退火在优化机器学习分类器训练阶段方面的前景,尤其是在数据不确定性条件下。
引用
@article{arxiv.2106.05134,
title = {Quantum Annealing for Automated Feature Selection in Stress Detection},
author = {Rajdeep Kumar Nath and Himanshu Thapliyal and Travis S. Humble},
journal= {arXiv preprint arXiv:2106.05134},
year = {2021}
}
备注
5 Pages, 2nd International Workshop on Quantum Computing: Circuits Systems Automation and Applications (QC-CSAA) in conjuction with the ISVLSI 2021