用于域适应的量子分类器
量子物理
2021-10-07 v1
摘要
迁移学习(TL)作为机器学习的关键子领域,旨在利用源域已获取的知识完成目标域中的任务。具体而言,有效的域适应(DA)在两组数据样本分布于同一特征空间时促进了 TL 任务的实现。本文提出了两种 DA 分类器的量子实现,相较于经典 DA 分类器具有量子加速。其中一种实现,即基于量子基础线性代数子程序(QBLAS)的分类器,能以关于给定数据数量与维度的对数资源预测目标域数据的标签。另一种实现通过变分混合量子-经典过程高效地完成 DA 任务。
引用
@article{arxiv.2110.02808,
title = {Quantum classifiers for domain adaptation},
author = {Xi He and Feiyu Du and Mingyuan Xue and Xiaogang Du and Tao Lei and A. K. Nandi},
journal= {arXiv preprint arXiv:2110.02808},
year = {2021}
}
备注
6 pages, 4 figures