基于电子健康记录的真实世界预测的量子核
量子物理
2022-06-24 v2 机器学习
摘要
近年来，近期量子机器学习的研究探索了赋予量子核（相似度度量）访问权的经典机器学习算法如何超越其纯经典对应方法。尽管理论工作已在合成数据集上展示可证明优势，但迄今尚无研究实证考察量子优势是否可达以及需要何种数据集。本文中，我们报告了医疗与生命科学中经验量子优势（EQA）的首次系统研究，并提出一个端到端框架来研究EQA。我们选取电子健康记录（EHRs）数据子集，构建了5-20个特征与200-300个训练样本的配置空间。对于每个配置坐标，我们训练了基于径向基函数（RBF）核的经典支持向量机（SVM）模型，以及使用IBM量子计算机带定制核的量子模型，这使本文成为迄今最大的量子机器学习实验之一。我们实证识别了量子核可在特定数据集上提供优势的区域，并引入了地形崎岖度指数——一种有助于定量估计给定模型精度随特征数与样本量变化的度量。此处引入的通用框架代表了朝先验识别可能存在量子优势的数据集的关键一步。
引用
@article{arxiv.2112.06211,
title = {Quantum kernels for real-world predictions based on electronic health records},
author = {Zoran Krunic and Frederik F. Flöther and George Seegan and Nathan Earnest-Noble and Omar Shehab},
journal= {arXiv preprint arXiv:2112.06211},
year = {2022}
}