基于随机梯度下降的量子核对齐

量子支持向量机有潜力在解决特定机器学习问题时实现量子加速。实现此目标的关键挑战是为给定数据集找到良好量子核——称为核对齐的任务。本文中我们利用 Pegasos 算法研究该问题，该算法使用随机梯度下降求解支持向量机优化问题。我们将 Pegasos 扩展至量子情形，并展示其在核对齐上的有效性。不同于以往在外层优化循环中训练 QSVM 来实现核对齐的工作，我们表明使用 Pegasos 可同时训练支持向量机与对齐核。实验显示该方法能以高精度对齐量子特征映射，并优于现有量子核对齐技术。具体而言，我们证明 Pegasos 对非平稳数据尤为有效，而这是实际应用中的重要挑战。