量子辅助支持向量回归
量子物理
2025-03-18 v2 机器学习
摘要
用于回归任务(包括股市预测、天气预报和房地产定价)的流行机器学习模型是经典支持向量回归(SVR)。然而,一个实际可实现的量子SVR仍有待构建。我们设计了基于退火的算法,即模拟退火与量子-经典混合退火,用于训练两种SVR模型,并将它们的经验性能与Python的scikit-learn包中用于面部标志点检测(FLD, SVR的一个特定用例)的SVR实现进行比较。我们的方法是推导用于训练SVR模型的优化问题的二次无约束二元形式,并使用退火求解该问题。利用D-Wave的混合求解器,我们构建了量子辅助SVR模型,从而在FLD精度上展示出相对于经典模型的轻微优势。此外,我们观察到基于退火的SVR模型相比基于梯度方法训练的SVR模型以更低方差预测标志点。我们的工作是将量子辅助SVR应用于具有小训练集的监督学习任务的概念验证示例。
引用
@article{arxiv.2111.09304,
title = {Quantum-Assisted Support Vector Regression},
author = {Archismita Dalal and Mohsen Bagherimehrab and Barry C. Sanders},
journal= {arXiv preprint arXiv:2111.09304},
year = {2025}
}
备注
15 pages, 5 figures