面向边缘计算复杂系统多分类问题的基于量子特征选择方法

具有边缘计算的复杂系统需要大量多特征数据来提取适当的洞察以辅助决策，因此寻找一种可行的特征选择方法以提高计算效率并节省资源消耗十分重要。本文提出一种面向多分类问题的基于量子的特征选择算法，即 QReliefF，该算法能有效降低算法复杂度并提高计算效率。首先，通过执行 CMP 和 R_y 操作将每个样本的所有特征编码为量子态，然后应用振幅估计计算任意两个量子态（即两个样本）之间的相似度。根据相似度，利用 Grover-Long 方法寻找最近的 k 个邻居样本，并更新权重向量。经过上述过程的一定次数迭代后，可根据最终权重向量与阈值 {\tau} 选出所需特征。与经典 ReliefF 算法相比，我们的算法将相似度计算复杂度从 O(MN) 降至 O(M)，最近邻查找复杂度从 O(M) 降至 O(sqrt(M))，资源消耗从 O(MN) 降至 O(MlogN)。同时，与量子 Relief 算法相比，我们的算法在最近邻查找方面更优，将复杂度从 O(M) 降至 O(sqrt(M))。最后，为验证算法的可行性，基于 Rigetti 通过一个简单示例进行了仿真实验。