基于小数据集构建的量子核学习模型

我们旨在利用量子机器学习检测图像检查中的各种异常，同时使用小规模数据。假设量子核空间的表达能力优于经典核空间，我们正在研究一种量子机器学习模型。通过对不仅用于工厂产品，还用于包含农产品的产品的图像检查过程进行试验，认识到在真实数据上的试验的重要性。本研究在公司收集的少量农产品图像数据集上进行训练，使用多种量子核。本文中准备的量子核由较少的旋转门和控制门组成。每个量子核的 F1 分数显示，使用 CNOT 门具有显著效果。在确认量子模拟器上的结果后，在量子计算机上验证了量子核的有用性。使用嵌入特定量子核的 SVM 训练显示，其 AUC 值显著高于经典核。量子核缺乏学习的原因被认为是由于核浓缩或类似巴伦平台的指数浓缩。F1 分数随特征数量增加而不增长的原因 suggested 可能是由于指数浓缩，同时也可能只有特定特征具有判别能力。此外，我们认为受控 Toffoli 门可能是值得期待的量子核组件。